- Nazwa przedmiotu:
- Laboratorium analiz biznesowych
- Koordynator przedmiotu:
- dr Andrzej Wodecki
- Status przedmiotu:
- Obowiązkowy
- Poziom kształcenia:
- Studia II stopnia
- Program:
- Inżynieria Zarządzania
- Grupa przedmiotów:
- kierunkowe
- Kod przedmiotu:
- -
- Semestr nominalny:
- 2 / rok ak. 2019/2020
- Liczba punktów ECTS:
- 2
- Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- 2 ECTS:
10h ćwiczenia + 10h laboratoria + 5h konsultacje + 5h studia literaturowe + 15h przygotowanie do ćwiczeń + 15h przygotowanie do laboratorium = 60h
- Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
- 0,8 ECTS:
10h ćwiczenia + 10h laboratoria + 5h konsultacje = 25h
- Język prowadzenia zajęć:
- polski
- Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
- 2 ECTS:
10h ćwiczenia + 10h laboratoria + 5h konsultacje + 5h studia literaturowe + 15h przygotowanie do ćwiczeń + 15h przygotowanie do laboratorium = 60h
- 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. Organizacja kursu: cele, metody pracy, reguły zaliczeń
b. Przegląd zastosowań praktycznych: w jaki sposób Data Scientist może wspomóc organizację?
c. Przegląd systemów informatycznych wspomagających analizy biznesowe:
i. Excel, arkusze Google
ii. Dataiku, Google DataStudio, RapidMiner, H20
iii. Biblioteka Scikit-learn
d. Źródła wiedzy
e. Przygotowanie środowiska pracy
2. Podstawy metodyki zarządzania projektami DataScience
a. Metodyka CRISP-DM
b. Najlepsze praktyki analizy problemów biznesowych i identyfikacji optymalnych algorytmów
c. Proces analizy i modelowania danych
3. Ćwiczenie 1: Regresja
a. Definicja problemu
b. Pozyskanie danych
c. Analiza i przygotowanie danych do analizy
d. Modelowanie
e. Interpretacja wyników modelu
4. Ćwiczenie 2: Klasyfikacja
a. Definicja problemu
b. Pozyskanie danych
c. Analiza i przygotowanie danych do analizy
d. Modelowanie
e. Interpretacja wyników modelu
5. Ćwiczenie 3: Segmentacja:
a. Definicja problemu
b. Pozyskanie danych
c. Analiza i przygotowanie danych do analizy
d. Modelowanie
e. Interpretacja wyników modelu
6. Projekt końcowy
a. Wprowadzenie: przykładowy problem, jego rozwiązanie oraz interpretacja wyników
b. Organizacja pracy: podział na grupy, stworzenia środowiska pracy grupowej oraz zarządzania projektami
c. Realizacja projektu zgodnie z metodyką CRISP-DM:
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
d. Refleksja: Czego się nauczyliśmy? Co z tego projektu wynika dla nas na przyszłość?
7. Podsumowanie zajęć:
a. Podsumowanie refleksji
b. Opracowanie i dyskusja najlepszych praktyk
c. Oceny
Laboratorium: realizacja projektu zgodnie z harmonogramem
- Metody oceny:
- A. Ćwiczenia
1. Ocena formatywna: projekt, prezentacja
2. Ocena sumatywna : oceny projektu i prezentacji
B. Laboratorium
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. Szeliga M., 2017, Data Science i uczenie maszynowe, Warszawa, PWN
Uzupełniająca:
2. Boschetti A., Massaron L., 2017. Python. Podstawy nauki o danych. Wydanie II , Gliwice, Helion
3. Provost F., Fawcett T., 2015. Analiza danych w biznesie, Helion
4. Peng R. D., The Art of Data Science, https://leanpub.com/artofdatascience, dostęp: 23.01.2018
5. Grus J., 2015. Data Science from Scratch, O’Reilly
6. J. Brownlee, Machine Learning Mastery with Python, www.machinelearningmastery.com, dostęp: 23.01.2018
- Witryna www przedmiotu:
- www.olaf.wz.pw.edu.pl
- Uwagi:
- -
Efekty uczenia się
Profil ogólnoakademicki - wiedza
- Efekt I2_W07
- Student zna i rozumie główne trendy rozwojowe w obszarze wykorzystania analiz biznesowych w zarządzaniu
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Profil ogólnoakademicki - umiejętności
- Efekt I2_U13
- Student potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
- Efekt I2_U19
- Student potrafi komunikować wyniki zaawansowanych analiz różnym grupom odbiorców
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Profil ogólnoakademicki - kompetencje społeczne
- Efekt I2_K01
- Student jest gotów do krytycznej analizy odbieranych treści opierając się na realnych danych i samodzielnie wykonanych analizach
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
- Efekt I2_K02
- Student jest gotów do uznawania wiedzy opartej o efekty w rozwiązywaniu problemów z zakresu zarządzania
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe: