Podstawy Big Data 2401-AI-PBD-2WSI-s2

Big data są to zbiory informacji o dużym wolumenie, dużej zmienności i dużej różnorodności, wymagające nowych form przetwarzania w celu wspomagania podejmowania nowych decyzji oraz odkrywania nowych zjawisk, związanych z optymalizacją różnorodnych procesów. Dlatego traktowane są nie tylko jako zasoby informacji, lecz również jako technologia i usługi, czyli wartości biznesowe firm.
Przy wykorzystaniu bibliotek Opensource (R, Python) studenci będą poznawali metody gromadzenia i ekstrakcji big data ze stron Internetowych (np. Web scraping), przetwarzania i wizualizacji. Zakres obejmuje także podstawy statystycznej obróbki danych przy wykorzystaniu w/w narzędzi. Jako źródła big dat wykorzystane będą serwisy społecznościowe i specjalistyczne serwisy Internetowe.
Studenci nauczą się podstaw programowania w językach R/Python – najpopularniejszych w HC i tworzenia skryptów na potrzeby zarzadzania big data.

Całkowity nakład pracy studenta

Godziny realizowane w laboratorium z udziałem nauczyciela: 15 godz. (15 godz. stacjonarnie, 5 godz. zdalne nauczanie - asynchronicznie - z wykorzystaniem platformy Moodle) Czas poświęcony na pracę indywidualną studenta ( godz.): - przygotowanie ćwiczeń indywidualnie – 45 godz. (15 godz. w ramach nauczania zdalnego). - przygotowanie projektu zaliczeniowego – 45 godz. . (15 godz. w ramach nauczania zdalnego). Łącznie: 90 godz. (3 ECTS) – w tym 30 godz. (1 ECTS) z wykorzystaniem metod i technik kształcenia na odległość

Efekty uczenia się - wiedza

W1: student zna metody eksploracji, wizualizacji big data – K_W06; W2: student ma uporządkowaną wiedzę na temat nowoczesnych technologii wykorzystywanych do pobierania i przetwarzania big data - K_W07; K_W14. W3: student ma wiedzę o technologiach sieciowych, generujących big data – K_W15. W3: student ma wiedzę o źródłach i prawach autorskich do wykorzystywanych big data w sieci – K_W08; K_W12.

Efekty uczenia się - umiejętności

U1: student potrafi zdobyć big data w sieci i dobrać odpowiednie narzędzie informatyczne do ich przetworzenia - K_U03, K_U07, K_U15. U2: student potrafi dokonać profesjonalnej wizualizacji big data stosownie do ich typu i specyfiki – K_U07; K_U14. U3: student potrafi dokonać analizy eksploracyjne big data, jak również wyciągnąć wnioski – K_U08, K_U09

Efekty uczenia się - kompetencje społeczne

K1: student umiejętnie i obiektywnie dokonuje oceny projektów wizualizacji big data K_K02; K_K04; K_K05. K2: student rozumie potrzebę formułowania i przekazywania społeczeństwu wiedzy przy pomocy wizualizacji dotyczącej nowoczesnych zjawisk i procesów w różnych obszarach życia – K_K07; K_K09.

Metody dydaktyczne

eksponujące: pokaz, wystawa podające: wykład konwersatoryjny poszukujące: laboratorium, projekty, referaty.

Wymagania wstępne

Zainteresowanie nowoczesnymi sposobami prezentacji danych, znajomość obsługi programu Excel

Koordynatorzy przedmiotu

Veslava Osińska

Kryteria oceniania

1. Obecność i aktywność na zajęciach dydaktycznych (dopuszczalna jedna nieobecność) – W1-W3, U1, U2, K1, K2.
2. Przygotowanie projektu – W1-W3, U1, U2
3. Prezentacja projektu – W1-W3, K1, K2.

Kryteria oceniania:
- aktywność na zajęciach (do 20% oceny)
- przygotowanie projektu (do 60% oceny) – w tym zadań potwierdzających realizację treści wynikających z wykorzystania metod i technik kształcenia na odległość
- prezentacja projektu (do 20% oceny)

Ostateczna ocena z zajęć:
5 – 90% i więcej
4+ – 80% do 89%
4 – 70% do 79%
3+ – 60% do 69%
3 – 51% do 59%
2 – 50% i poniżej

Praktyki zawodowe

nie dotyczy

Literatura

Literatura podstawowa:
1. P. Biecek. Przewodnik po pakiecie R. Oficyna Wydawnicza "GIS" 2014.
2. W. Hadley. Język R : kompletny zestaw narzędzi dla analityków danych. Helion 2018.
3. Tutoriale sieciowe
4. Zasoby platform Moodle

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 2401-AI-PBD-2WSI-s2 w USOSweb