Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Laboratorium analiz biznesowych
Koordynator przedmiotu:
dr Andrzej Wodecki
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Zarządzanie i Inżynieria Produkcji
Grupa przedmiotów:
kierunkowe
Kod przedmiotu:
-
Semestr nominalny:
2 / rok ak. 2017/2018
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
60h: 15h (ćwiczenia) + 15h (laboratoria) + 5h (konsultacje) + 5h (studia literaturowe) + 10h (przygotowanie do ćwiczeń) + 10h (przygotowanie do laboratorium)
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1 ECTS: 15h (ćwiczenia) + 15h (laboratoria) + 5h (konsultacje)
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
2 ECTS: 15h (ćwiczenia) + 15h (laboratoria) + 5h (konsultacje) + 5h (studia literaturowe) + 10h (przygotowanie do ćwiczeń) + 10h (przygotowanie do laboratorium)
Formy zajęć i ich wymiar w semestrze:
  • Wykład0h
  • Ćwiczenia15h
  • Laboratorium15h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Dostarczenie wiedzy, umiejętności i kompetencji w zakresie posługi-wania się aparatem analitycznym i wykorzystywania go we wspomaganiu zarządzania
Limit liczby studentów:
- od 25 osób do limitu miejsc w sali laboratoryjnej (ćwiczenia, laboratorium)
Cel przedmiotu:
Przygotowanie studentów do samodzielnej realizacji projektów analitycznych w biznesie z wykorzystaniem najnowszych narzędzi i metod data science
Treści kształcenia:
Ćwiczenia: 1. Wprowadzenie do kursu a. Podstawowe pojęcia: Data Science, drążenie danych, uczenie maszynowe, sztuczna inteligencja b. Przegląd zastosowań praktycznych: w jaki sposób Data Scientist może wspomóc organizację? c. Przegląd systemów informatycznych: i. Excel, arkusze Google ii. Dataiku, RapidMiner, H20 iii. Scikit-learn, Keras, Tensorflow d. Źródła wiedzy e. Wprowadzenie do projektu f. Przygotowanie środowiska pracy 2. Projekt 1: Regresja a. Wprowadzenie: przykładowy problem, jego rozwiązanie oraz interpretacja wyników b. Realizacja projektu: i. Problem: analiza kontekstu, sformułowanie pytania, doprecyzowanie pytania ii. Dane: pozyskanie i wyczyszczenie, eksploracja i zrozumienie, przygotowanie iii. Model: zbudowanie, ewaluacja i udoskonalenie iv. Sformułowanie wniosków v. Prezentacja wyników c. Refleksja: Czego się nauczyliśmy? Co z tego projektu wynika dla nas na przyszłość? 3. Projekt 2: Klasyfikacja a. Wprowadzenie: przykładowy problem, jego rozwiązanie oraz interpretacja wyników b. Realizacja projektu: i. Problem: analiza kontekstu, sformułowanie pytania, doprecyzowanie pytania ii. Dane: pozyskanie i wyczyszczenie, eksploracja i zrozumienie, przygotowanie iii. Model: zbudowanie, ewaluacja i udoskonalenie iv. Sformułowanie wniosków v. Prezentacja wyników c. Refleksja: Czego się nauczyliśmy? Co z tego projektu wynika dla nas na przyszłość? 4. Projekt 3: Klastrowanie a. Wprowadzenie: przykładowy problem, jego rozwiązanie oraz interpretacja wyników b. Realizacja projektu: i. Problem: analiza kontekstu, sformułowanie pytania, doprecyzowanie pytania ii. Dane: pozyskanie i wyczyszczenie, eksploracja i zrozumienie, przygotowanie iii. Model: zbudowanie, ewaluacja i udoskonalenie iv. Sformułowanie wniosków v. Prezentacja wyników c. Refleksja: Czego się nauczyliśmy? Co z tego projektu wynika dla nas na przyszłość? 5. Podsumowanie zajęć: a. Podsumowanie refleksji b. Opracowanie i dyskusja najlepszych praktyk c. Oceny Laboratorium: realizacja projektu zgodnie z harmonogramem
Metody oceny:
A. Laboratorium: 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna : oceny projektu i prezentacji B. Projekt: 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna : oceny projektu i prezentacji C. Końcowa ocena z przedmiotu: Suma ważona ocen projektu (80%) i prezentacji (20%)
Egzamin:
nie
Literatura:
Obowiązkowa: [1] Provost F., Fawcett T., 2015. Analiza danych w biznesie, Helion Uzupełniająca: [2] Peng R. D., The Art of Data Science, https://leanpub.com/artofdatascience, dostęp: 23.01.2018 [3] Grus J., 2015. Data Science from Scratch, O’Reilly [4] Boschetti A., Massaron L., 2017. Python. Podstawy nauki o danych. Wydanie II. Helion [5] J. Brownlee, Machine Learning Mastery with Python, www.machinelearningmastery.com, dostęp: 23.01.2018
Witryna www przedmiotu:
www.electurer.edu.pl
Uwagi:
-

Efekty uczenia się