Studia przypadków
1000-AD-StudPrzyp
Przedmiot koncentruje się na aspektach praktycznych pracy z danymi i zakłada analizę dwóch-trzech przykładów rzeczywistych projektów analitycznych przedstawionych przez praktyków lub realizację projektu zaproponowanego przez prowadzącego zajęcia eksperta zewnętrznego. Dzięki temu student będzie miał możliwość zmierzenia się z sytuacjami podobnymi do pracy zawodowej, gdzie mogą być stawiane przed nim różnego typu zadania. Zakłada pracę w niewielkich zespołach utworzonych przez studentów.
Całkowity nakład pracy studenta
1. Godziny realizowane z udziałem nauczycieli:
a. laboratorium – 30 godzin,
b. bieżące przygotowanie do zajęć, w tym rozwiązywanie zadań zleconych przez prowadzących, zapoznanie się z informacją zwrotną dotyczącą rozwiązanych zadań oraz konsultacje z prowadzącymi zajęcia – 20 godzin.
2. Czas poświęcony na pracę indywidualną studenta/słuchacza/uczestnika kursu potrzebny do pomyślnego zaliczenia przedmiotu:
a. studiowanie literatury – 10 godzin,
b. zapoznanie się z materiałami dodatkowymi, m.in. dokumentacją bibliotek i pakietów – 5 godzin,
c. wykonanie zadań/projektów zaliczeniowych – 15 godzin.
Razem: 80 h (3 pkt. ECTS)
Efekty uczenia się - wiedza
W01: Zna etapy realizacji projektu z zakresu eksploracji danych (K_W03).
W02: Rozumie potrzebę wstępnego przygotowania danych i sprawdzenia ich poprawności (K_W03, K_W04).
W03: Ma poszerzoną wiedzę z zakresu budowy modeli dla różnego typu danych (K_W05-K_W09).
W04: Zna narzędzia informatyczne oraz języki programowania stosowane w analizie danych rzeczywistych, w tym także dużych zbiorów danych (K_W10-K_W12).
W05: Rozumie potrzebę oceny jakości modelu, zna metody oceny jakości modeli (K_W01, K_W03).
Efekty uczenia się - umiejętności
U01: Potrafi przygotować dane i ocenić ich jakość (KU_04-K_U05).
U02: Potrafi dobrać odpowiednie techniki modelowania do postawionego problemu i rodzaju danych (K_U06-K_U12).
U03: Potrafi dobrać odpowiednie narzędzie pracy: program, język programowania, do postawionego problemu i wybranych metod budowy modeli (K_U13-K_U17).
U04: Potrafi pracować w grupie i organizować jej pracę, jest przy tym terminowy i zorganizowany (K_U18).
Efekty uczenia się - kompetencje społeczne
K01: Potrafi odnaleźć się w sytuacji praktycznej i dla siebie nowej (K_K04).
K02: Myśli twórczo i jest w stanie zaproponować kreatywne podejście do postawionego problemu (K_K01).
K03: Jest komunikatywny, potrafi porozumieć się z innymi osobami, tak specjalistami jak i laikami, by zrozumieć stawiany mu problem oraz przedstawić wyniki swojej pracy (K_K05).
K04: Przestrzega prawa własności intelektualnej w zakresie przekazywanych mu do analizy danych oraz koncepcji rozwiązań (K_K07).
Metody dydaktyczne poszukujące
- studium przypadku
- laboratoryjna
- giełda pomysłów
Wymagania wstępne
Student powinien dysponować wiedzą z zakresu eksploracji danych i uczenia maszynowego oraz dobrze posługiwać się językami programowania R i Python.
Koordynatorzy przedmiotu
W cyklu 2023/24L: | W cyklu 2022/23L: |
Kryteria oceniania
Przedłużona obserwacja - kryterium zaliczenia ustala prowadzący na początkowych zajęciach: K01-K02
Zadania/projekty zlecone przez prowadzących - kryterium zaliczenia ustala prowadzący na początkowych zajęciach: W01-W05, U01-U04, K03-K04
Literatura
Literatura podstawowa:
- W. McKinney: Python w analizie danych. Przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython. Helion, 2018.
- P. Biecek: Przewodnik po pakiecie R. http://biecek.pl/r/przewodnikpopakiecierwydanieiiiinternet.pdf
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i
terminach zajęć) mogą być dostępne w serwisie USOSweb: