Sylabus przedmiotu
Analiza danych i Big Data
| Forma zajęć | Atrybuty formy | Godziny w semestrze | Godziny w tygodniu | Zaliczenie | Kompetencje | Waga | ||
|---|---|---|---|---|---|---|---|---|
| stacjonarne | niestacjonarne | stacjonarne | niestacjonarne | |||||
| Wykład | Forma mieszana, Kontakt bezpośredni: 100% | 15 | 9 | 1 | 1 | Zaliczenie na ocenę |
|
0 |
| Laboratorium | Kontakt bezpośredni: 100% | 15 | 9 | 1 | 1 | Zaliczenie na ocenę |
|
0 |
| Forma aktywności | Liczba godzin - stac. | Liczba godzin - niestac. |
|---|---|---|
| Przygotowanie do egzaminu / zaliczenia | 10 | 17 |
| Przygotowanie projektu | 10 | 15 |
| SUMA | 20 | 32 |
Cele przedmiotu: Celem przedmiotu jest zapoznanie studentów z metodami analizy danych oraz technologiami Big Data wykorzystywanymi w nowoczesnych systemach produkcyjnych i logistycznych. Studenci nauczą się pozyskiwać, przetwarzać, analizować i wizualizować dane z różnych źródeł, wykorzystując narzędzia takie jak Python, Power BI oraz platformy chmurowe.
Wymagania wstępne:
Zakres tematyczny
| Rodzaj zajęć | Opis | Godz. stac. | Godz. niestac. |
|---|---|---|---|
| Wykład | Wprowadzenie do analizy danych i Big Data w przemyśle - Rola danych w nowoczesnej produkcji i logistyce - Dane jako zasób strategiczny - Przegląd narzędzi i technologii | 1 | 1 |
| Wykład | Źródła danych w środowisku produkcyjnym i logistycznym - IoT, systemy ERP, MES, SCADA - Dane transakcyjne, sensoryczne i operacyjne - Jakość i czyszczenie danych | 1 | 1 |
| Wykład | Podstawy eksploracyjnej analizy danych (EDA) - Statystyki opisowe, wizualizacja danych - Wykrywanie anomalii i trendów - Narzędzia: Excel, Python (pandas, matplotlib) | 1 | 1 |
| Wykład | Wprowadzenie do języka Python w analizie danych - Podstawy składni i bibliotek (NumPy, pandas) - Praca z danymi tabelarycznymi i czasowymi - Proste projekty analityczne | 2 | 1 |
| Wykład | Hurtownie danych i przetwarzanie danych w chmurze - Architektura hurtowni danych - Przetwarzanie rozproszone (Hadoop, Spark) - Chmura obliczeniowa (AWS, Azure, Google Cloud) | 2 | 1 |
| Wykład | Big Data w logistyce i zarządzaniu łańcuchem dostaw - Analiza danych w czasie rzeczywistym - Optymalizacja tras, prognozowanie popytu - Case study: Amazon, DHL, Zalando | 2 | 1 |
| Wykład | Wprowadzenie do uczenia maszynowego w analizie danych - Klasyfikacja, regresja, klasteryzacja - Przykłady zastosowań w produkcji i logistyce - Narzędzia: scikit-learn, Orange | 2 | 1 |
| Wykład | Wizualizacja danych i dashboardy - Tworzenie interaktywnych raportów (Power BI, Tableau) - KPI w produkcji i logistyce - Storytelling z danymi | 2 | 1 |
| Wykład | Etyka, bezpieczeństwo i jakość danych - Ochrona danych wrażliwych (RODO) - Etyczne aspekty analizy danych - Zarządzanie jakością danych | 2 | 1 |
| Laboratorium | Wprowadzenie do analizy danych i Big Data w przemyśle - Rola danych w nowoczesnej produkcji i logistyce - Dane jako zasób strategiczny - Przegląd narzędzi i technologii | 1 | 1 |
| Laboratorium | Źródła danych w środowisku produkcyjnym i logistycznym - IoT, systemy ERP, MES, SCADA - Dane transakcyjne, sensoryczne i operacyjne - Jakość i czyszczenie danych | 1 | 1 |
| Laboratorium | Podstawy eksploracyjnej analizy danych (EDA) - Statystyki opisowe, wizualizacja danych - Wykrywanie anomalii i trendów - Narzędzia: Excel, Python (pandas, matplotlib) | 1 | 1 |
| Laboratorium | Wprowadzenie do języka Python w analizie danych - Podstawy składni i bibliotek (NumPy, pandas) - Praca z danymi tabelarycznymi i czasowymi - Proste projekty analityczne | 2 | 1 |
| Laboratorium | Hurtownie danych i przetwarzanie danych w chmurze - Architektura hurtowni danych - Przetwarzanie rozproszone (Hadoop, Spark) - Chmura obliczeniowa (AWS, Azure, Google Cloud) | 2 | 1 |
| Laboratorium | Big Data w logistyce i zarządzaniu łańcuchem dostaw - Analiza danych w czasie rzeczywistym - Optymalizacja tras, prognozowanie popytu - Case study: Amazon, DHL, Zalando | 2 | 1 |
| Laboratorium | Wprowadzenie do uczenia maszynowego w analizie danych - Klasyfikacja, regresja, klasteryzacja - Przykłady zastosowań w produkcji i logistyce - Narzędzia: scikit-learn, Orange | 2 | 1 |
| Laboratorium | Wizualizacja danych i dashboardy - Tworzenie interaktywnych raportów (Power BI, Tableau) - KPI w produkcji i logistyce - Storytelling z danymi | 2 | 1 |
| Laboratorium | Etyka, bezpieczeństwo i jakość danych - Ochrona danych wrażliwych (RODO) - Etyczne aspekty analizy danych - Zarządzanie jakością danych | 2 | 1 |
Metody dydaktyczne
| Opis |
|---|
| Wykład problemowy |
| Wykład konwencjonalny |
| Metoda przypadków |
| Dyskusja |
| Demonstracja |
| Ćwiczenia laboratoryjne |
| Zajęcia projektowe |
| Praca w środowisku wirtualnym |
Warunki zaliczenia:
bardzo dobry 5.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu bardzo dobrym dobry plus 4.5 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu ponad dobrym dobry 4.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dobrym dostateczny plus 3.5 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dość dobrym dostateczny 3.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dostatecznym zaliczone zal student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce niezaliczone nzal student/ka nie zna, nie rozumie i nie wyjaśnia zakładanych efektów uczenia się i nie potrafi ich zastosować w praktyce
Literatura podstawowa: Luc Perkins, Eric Redmond, Jim Wilson, Seven Databases in Seven Weeks: A Guide to Modern Databases and the Nosql Movement, Pragmatic Bookshelf, 2018 Jeff Carpenter, Eben Hewitt, Cassandra: The Definitive Guide, (Revised) Third Edition. 3rd Edition, O’Reilly Media, 2022, Martin Kleppmann, Designing Data-Intensive Applications. The Big Ideas Behind Reliable, Scalable, and Maintainable Systems, O’Reilly Media, 2017. Kyle Gallatin, Chris Albon, Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu, Helion, 2024
Literatura uzupełniająca:
| Symbole | Opis efektu | Metoda weryfikacji | Forma zajęć |
|---|---|---|---|
| Student zna kluczowe pojęcia, narzędzia i technologie związane z analizą danych oraz przetwarzaniem danych w środowisku Big Data |
|
|
|
| Student rozumie znaczenie danych w procesach produkcyjnych i logistycznych oraz zna metody ich pozyskiwania, przetwarzania i wizualizacji |
|
|
|
| Student potrafi przeprowadzić eksploracyjną analizę danych z wykorzystaniem narzędzi takich jak Python, Power BI lub Excel. |
|
|
|
| Student potrafi zastosować podstawowe algorytmy uczenia maszynowego do analizy danych produkcyjnych i logistycznych oraz zinterpretować wyniki |
|
|