Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Oprogramowanie Open Source w analizie danych

Informacje ogólne

Kod przedmiotu: 1100-12-Z22-IB-OSwAD
Kod Erasmus / ISCED: (brak danych) / (0410) Biznes i administracja Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Oprogramowanie Open Source w analizie danych
Jednostka: Katedra Zastosowań Informatyki i Matematyki w Ekonomii
Grupy: Zarządzanie - plan studiów 2 rok 2 stopnia
Zarządzanie, 2 rok II stopnia, PRK, sp. informatyka w biznesie
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Wymagania wstępne:

1. Wiedza oraz praktyczne umiejętności z zakresu matematyki, statystyki opisowej oraz ekonometrii.

2. Podstawy programowania.

3. Znajomość pakietu Microsoft Office.

Całkowity nakład pracy studenta:

1. Godziny realizowane z udziałem nauczyciela – 15 godzin ćwiczeń w laboratorium komputerowym + 10 godzin wykład

2. Praca indywidualna studenta potrzebna do pomyślnego zaliczenia przedmiotu – 30 godzin

3. Czas wymagany do przygotowania się do uczestnictwa w procesie oceniania – 20 godzin

4. Konsultacje ze studentami – 25 godzin


Razem nakład pracy studenta 100 godzin.

Efekty uczenia się - wiedza:

W1. Student zna metody ilościowe oraz narzędzia badawcze, które można zastosować przy wykorzystaniu oprogramowania Open Source (K_W08).


W2. Zna zasady przeprowadzania badań z wykorzystaniem narzędzi badawczych dostępnych w oprogramowaniu Open Source (K_W08).


W3. Zna metody i techniki pozyskiwania danych niezbędnych do przeprowadzenia badań zjawisk ekonomicznych (K_W08).

Efekty uczenia się - umiejętności:

U1. Potrafi diagnozować i modelować zjawiska ekonomiczne (K_U04).


U2. Student posiada kompetencje w zakresie komunikatywnego formułowania i przekazywania swych myśli, opinii i wszelkich informacji (K_U10).

Efekty uczenia się - kompetencje społeczne:

K1. Student rozumie znaczenie korzystania z wiarygodnych, kompletnych danych statystycznych. Samodzielnie i efektywnie pracuje z dużą ilością danych. Przeprowadza analizy i wyciąga wnioski posługując się zasadami logiki (K_K02).



Metody dydaktyczne:

ćwiczenia, pogadanka, praca w grupach, wykorzystanie narzędzia do przeprowadzania analiz biznesowych, np. KNIME, rozwiązywanie zadań

Skrócony opis:

Przedmiot ma na celu zapoznanie z narzędziami wykorzystywanymi do analizy danych biznesowych. Student po ukończeniu przedmiotu będzie miał praktyczną wiedzę w jaki sposób analizować dane pochodzące z różnych systemów oraz obszarów działalności przedsiębiorstwa. Zdobyta podczas zajęć wiedza oraz umiejętności praktyczne przygotują studenta do prowadzenia badań analitycznych przy wykorzystaniu odpowiednich narzędzi informatycznych oraz podejmowania racjonalnych decyzji biznesowych w oparciu o przeprowadzone analizy.

Pełny opis:

1. Omówienie oprogramowania wykorzystywanego do analizy danych, np. KNIME.

2. Wczytywanie danych z różnych źródeł.

3. Transformacja i czyszczenie danych.

4. Eksploracja danych i techniki data mining.

5. Wykorzystanie metod uczenia maszynowego.

6. Przygotowywanie analiz i raportów.

7. Wizualizowanie wyników przeprowadzonych analizy.

8. Automatyzacja procesu tworzenia analiz.

9. Udostępnianie stworzonych raportów i analiz innym użytkownikom.

Literatura:

• Provost F., Fawcett T., Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Onepress, 2014

• Foreman J. W., Mistrz analizy danych. Od danych do wiedzy, Helion. 2017

• Croll A., Yoskovitz B., Metoda Lean Analytics. Zbuduj sukces startupu w oparciu o analizę danych, Helion, 2014

• De Mauro A., Data Analytics Made Easy, Packt Publishing, 2021

• Witryny internetowe producentów oprogramowania

Metody i kryteria oceniania:

Końcowe zaliczenie obejmujące:

• wczytanie i przekształcenie danych potrzebnych do przeprowadzenia analizy - W2, U2

• przygotowanie kompletnej analizy danych podmiotu prowadzącego działalność gospodarczą - W1, W3, U1

• prezentacja projektu - U1, U2, K1, K2

Weryfikacja efektów kształcenia:

• W1: ustne zaliczenie +++, projekt i prezentacja ++, bieżące przygotowanie do zajęć i aktywność

• W2: ustne zaliczenie +++, projekt i prezentacja ++, bieżące przygotowanie do zajęć i aktywność

• W3: ustne zaliczenie +++, projekt i prezentacja ++, bieżące przygotowanie do zajęć i aktywność

• U1: ustne zaliczenie +++, projekt i prezentacja ++, bieżące przygotowanie do zajęć i aktywność

• U2: ustne zaliczenie +++, projekt i prezentacja ++, bieżące przygotowanie do zajęć i aktywność

• K1: ustne zaliczenie +++, projekt i prezentacja ++, bieżące przygotowanie do zajęć i aktywność

• K2: ustne zaliczenie +++, projekt i prezentacja ++, bieżące przygotowanie do zajęć i aktywność

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 15 godzin więcej informacji
Wykład, 10 godzin więcej informacji
Koordynatorzy: Marcin Stawarz
Prowadzący grup: Marcin Stawarz
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Ćwiczenia - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Przedmiot ma na celu zapoznanie z narzędziami wykorzystywanymi do analizy danych biznesowych. Student po ukończeniu przedmiotu będzie miał praktyczną wiedzę w jaki sposób analizować dane pochodzące z różnych systemów oraz obszarów działalności przedsiębiorstwa. Zdobyta podczas zajęć wiedza oraz umiejętności praktyczne przygotują studenta do prowadzenia badań analitycznych przy wykorzystaniu odpowiednich narzędzi informatycznych oraz podejmowania racjonalnych decyzji biznesowych w oparciu o przeprowadzone analizy.

Pełny opis:

1. Omówienie oprogramowania wykorzystywanego do analizy danych, np. KNIME.

2. Wczytywanie danych z różnych źródeł.

3. Transformacja i czyszczenie danych.

4. Eksploracja danych i techniki data mining.

5. Wykorzystanie metod uczenia maszynowego.

6. Przygotowywanie analiz i raportów.

7. Wizualizowanie wyników przeprowadzonych analizy.

8. Automatyzacja procesu tworzenia analiz.

9. Udostępnianie stworzonych raportów i analiz innym użytkownikom.

Literatura:

• Provost F., Fawcett T., Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Onepress, 2014

• Foreman J. W., Mistrz analizy danych. Od danych do wiedzy, Helion. 2017

• Croll A., Yoskovitz B., Metoda Lean Analytics. Zbuduj sukces startupu w oparciu o analizę danych, Helion, 2014

• De Mauro A., Data Analytics Made Easy, Packt Publishing, 2021

• Witryny internetowe producentów oprogramowania

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)