Sylabus

Sylabus przedmiotu

Analiza danych i Big Data

kod: ADIBD-OcKECTS: 2semestr: 6język: polski

Wydział: Instytut Nauk Inżynieryjno-Technicznych
Kierunek: Inżynieria i logistyka produkcji
Kod przedmiotu: ADIBD-OcK
Rodzaj studiów: zawodowe z tyt. inżyniera
Semestr rozpoczęcia: semestr zimowy 2025/2026
Semestr przedmiotu: 6
ECTS: 2
Język nauczania: polski

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 aktywnościLiczba godzin - stac.Liczba godzin - niestac.
Przygotowanie do egzaminu / zaliczenia1017
Przygotowanie projektu1015
SUMA2032

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 dobry5.0student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu bardzo dobrym
dobry plus4.5student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu ponad dobrym
dobry4.0student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dobrym
dostateczny plus3.5student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dość dobrym
dostateczny3.0student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dostatecznym
zaliczonezalstudent/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce
niezaliczonenzalstudent/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:

SymboleOpis efektuMetoda weryfikacjiForma zajęć
Student zna kluczowe pojęcia, narzędzia i technologie związane z analizą danych oraz przetwarzaniem danych w środowisku Big Data
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
Student rozumie znaczenie danych w procesach produkcyjnych i logistycznych oraz zna metody ich pozyskiwania, przetwarzania i wizualizacji
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
Student potrafi przeprowadzić eksploracyjną analizę danych z wykorzystaniem narzędzi takich jak Python, Power BI lub Excel.
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
Student potrafi zastosować podstawowe algorytmy uczenia maszynowego do analizy danych produkcyjnych i logistycznych oraz zinterpretować wyniki
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium

Osoba odpowiedzialna:
Zmodyfikowany przez: SYSTEM