Analiza hurtowni danych
1000-MS1-AnHurtDan
W ramach przedmiotu omówione zostaną następujące tematy:
- Wprowadzenie do hurtowni danych, cechy, zastosowanie w różnych rodzajach analiz (KDD, BI, DM, DS)
- Wielowarstwowe modele danych (kostki OLAP, modele gwiazd, płatków śniegu, konstelacji)
- Problematyka projektowania hurtowni i materializowania agregacji
- Wykorzystanie wolnego oprogramowania do budowy hurtowni danych i raportowania
- Hurtownie danych z wykorzystaniem narzędzi firmy Microsoft
Całkowity nakład pracy studenta
Uczestnictwo w zajęciach: 30h
Rozwiązywanie zadań pod nadzorem nauczyciela: 20h
Czas poświęcony na pracę indywidualną studenta: 25h
Czas wymagany do przygotowania się do uczestnictwa w procesie oceniania: 10h
Razem: 85h (3p. ECTS)
Efekty uczenia się - wiedza
W1. Ma wiedzę w zakresie teorii, budowy i działania hurtowni danych, przetwarzania OLAP oraz eksploracji danych - K_W05
W2. Zna podstawowe metody obliczeniowe stosowane do rozwiązywania typowych problemów analitycznych z wykorzystaniem systemów hurtowni danych - K_W05, K_W06
W3. Zna zasady projektowania hurtowni danych oraz procesu zasilania hurtowni danych - K_W05
W4. Zna na poziomie podstawowym przynajmniej jedno narzędzie do tworzenia i analizy hurtowni danych - K_W05
W5. Ma podstawową wiedzę na temat języka MDX - K_W05
Efekty uczenia się - umiejętności
U1. Umie zaprojektować prostą hurtownię danych z wykorzystaniem modelu gwiazdy i płatka śniegu, potrafi zaprojektować proces jej zasilania, - K_U01
U2. Potrafi korzystać z wybranego systemu hurtowni danych w zakresie tworzenia hurtowni, jej zasilania oraz przetwarzania zgromadzonych danych, - K_U03
U3. Potrafi zaprojektować raport analityczny w oparciu o dane zgromadzone w hurtowni danych. - K_U01, K_U03
U4. Potrafi przeprowadzić prostą eksplorację danych z wykorzystaniem analitycznego narzędzia informatycznego. - K_U01, K_U03
U5. Potrafi formułować zapytania analityczne w języku MDX - K_U01, K_U03, K_U18
Efekty uczenia się - kompetencje społeczne
1. Myśli twórczo w celu udoskonalenia istniejących bądź stworzenia nowych rozwiązań. - K_K01
2. Zna ograniczenia własnej wiedzy i rozumie potrzebę dalszego kształcenia - K_K04
3. Potrafi samodzielnie wyszukiwać informacje w literaturze, także w językach obcych; umie zintegrować zdobytą wiedzę i umiejętności; - K_K04
4. rozumie znaczenie matematyki i informatyki w różnych sferach życia i gospodarki - K_K05
Metody dydaktyczne
Metoda podawcza, studium przypadku, metoda laboratoryjna
Metody dydaktyczne podające
- wykład konwersatoryjny
- wykład problemowy
Metody dydaktyczne poszukujące
- studium przypadku
- laboratoryjna
- projektu
Metody dydaktyczne w kształceniu online
- metody odnoszące się do autentycznych lub fikcyjnych sytuacji
Rodzaj przedmiotu
przedmiot obligatoryjny
Wymagania wstępne
* Znajomość realcyjnych baz danych,
* posługiwanie się językiem SQL
* znajomość języka Python lub R
Koordynatorzy przedmiotu
Kryteria oceniania
Zaliczenie na podstawie wykonanego projektu i jego prezentacji.
Praktyki zawodowe
Literatura
[1] A. Chodkowska-Gyurics, "Hurtownie danych. Teoria i praktyka", Warszawa, PWN 2014
[2] M. Russo, "Kompletny przewodnik po DAX : analiza biznesowa przy użyciu Microsoft Excel, SQL Server analysis services i Power BI", Warszawa, APN Promise, 2016
[3] M. Wrzesień, "Hurtownie danych w Microsoft SQL Server", Rzeszów, Wyższa Szkoła Informatyki i Zarządzania, 2014
[4] R. Rad, "Microsoft SQL Server 2012 integration services : an expert cookbook", Birmingham, Packt Pub., 2012
[5] J. Krishnaswamy, "Learning SQL Server 2008 Reporting Services", Birmingham, Packt Pub., 2009
[6] S. Harinath, "Professional Microsoft SQL Server Analysis Services 2008 with MDX", Indianapolis, Wrox Press/Wiley Pub., ©2009.
[7] A. Pelikant, "Hurtownie danych : od przetwarzania analitycznego do raportowania", Gliwice, Helion, 2011
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i
terminach zajęć) mogą być dostępne w serwisie USOSweb: