Techniki i narzędzia wizualizacji dużych zbiorów danych

Informacje ogólne

Kod przedmiotu:	117209-M1-TiNWDZD
Kod Erasmus / ISCED:	(brak danych) / (brak danych)
Nazwa przedmiotu:	Techniki i narzędzia wizualizacji dużych zbiorów danych
Jednostka:	Wydział Nauk Ekonomicznych i Zarządzania
Grupy:	KD "Działania w zakresie kompetencji dot. zarządzania informacją"
Punkty ECTS i inne:	(brak) 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. zobacz reguły punktacji
Język prowadzenia:	polski
Wymagania wstępne:	Podstawowa umiejętność posługiwania się komputerem z systemem operacyjnym Windows.
Całkowity nakład pracy studenta:	Liczba godzin kontaktowych: 30 Praca indywidualna uczestnika: samodzielne uczenie się – 60 godzin, instalacja oprogramowania i zapoznanie się z nim – 30 godzin, odrabianie zadań domowych – 30 godzin.
Efekty uczenia się - wiedza:	TiNWDZD-W01 Zna najważniejsze techniki wizualizacji danych. TiNWDZD-W02 Orientuje się w dostępnym na rynku oprogramowaniu do wizualizacji danych.
Efekty uczenia się - umiejętności:	TiNWDZD-U01 Umie ocenić poprawność danych i przekształcić je do postaci wymaganej przez konkretny program i wybraną metodę wizualizacji. TiNWDZD-U02 Umie zaproponować odpowiedni sposób wizualizacji wybranych zmiennych. TiNWDZD-U03 Umie posługiwać się w stopniu co najmniej podstawowym programem PS IMAGO (IBM SPSS Statistics), środowiskiem R i językiem programowania Python.
Efekty uczenia się - kompetencje społeczne:	TiNWDZD-K01 Rozumie potrzebę pozyskiwania wiedzy w oparciu o dane. TiNWDZD-K02 Potrafi prezentować skomplikowane zależności pomiędzy zmiennymi w sposób zrozumiały zarówno dla ekspertów jak i dla studentów. TiNWDZD-K03 Potrafi dostrzec zagadnienia związane z pozyskiwaniem wiedzy z danych w nauczanych przez siebie przedmiotach oraz wspomóc studentów w doborze odpowiednich rodzajów wizualizacji danych w ich pracy.
Metody dydaktyczne:	Metoda laboratoryjna.
Metody dydaktyczne podające:	- wykład informacyjny (konwencjonalny) - wykład problemowy
Metody dydaktyczne poszukujące:	- laboratoryjna
Skrócony opis:	Przedmiot ma na celu zapoznanie uczestników z podstawowymi programami i narzędziami wizualizacji dużych zbiorów danych.
Pełny opis:	Realizowane tematy: 1. Podstawy wizualizacji danych: od najprostszych wykresów do skomplikowanych grafik. Zasady dobrej wizualizacji danych. Typowe błędy w tworzeniu oraz interpretacji wykresów (1 h). 2. Program PS IMAGO (IBM SPSS Statistics) – instalacja, wczytywanie danych (1 h). 3. Przekształcanie zbiorów danych: rekodowanie, obliczanie wartości, restrukturyzacja, agregacja, wybór obserwacji (2 h). 4. Tworzenie podstawowych wykresów w kreatorze wykresów i szablonach wizualizacji danych (3 h). 5. Kartogramy i inne wykresy na mapach (2 h). 6. Wykresy animowane (1 h). 7. Pakiet R i RStudio – instalacja, zarządzanie pakietami, wczytywanie i podstawowe operacje na danych (2h). 8. Zarządzanie zbiorem danych – selekcja, agregacja, restrukturyzacja (2h). 9. Podstawowe typy wykresów z pakietu graphics (1h). 10. Zaawansowane tworzenie wykresów, wykresy interaktywne – pakiety ggplot2 i rCharts (3h). 11. Wykresy trójwymiarowe, wykresy na mapach – przegląd najważniejszych pakietów (2h). 12. Python – instalacja dystrybucji i pakietów. Notatniki Jupyter i środowisko Spyder (1h). 13. Wczytywanie i przekształcanie zbiorów danych – pakiety numpy i pandas (3h). 14. Tworzenie podstawowych wykresów przy pomocy pakietu matplotlib (2h). 15. Wizualizacja danych statystycznych – pakiet seaborn (2h). 16. Wykresy 3d, animacje, wykresy na mapach – przegląd dostępnych pakietów (2h).
Literatura:	1. Przemysław Biecek: ,,Odkrywać! Ujawniać! Objaśniać! Zbiór esejów o sztuce prezentowania danych’’. Wydawnictwo Uniwersytetu Warszawskiego, Warszawa, 2014 (dostępne na stronie http://www.biecek.pl/Eseje/). 2. Julie Steele. Noah Iliinsky: ,,Beautiful Visualization’’, O’Reilly, 2010. 3. Jarosław Górniak, Janusz Wachnicki: ,,Pierwsze kroki w analizie danych – SPSS for Windows’’, SPSS Polska, Kraków, 2004. 4. Przemysław Biecek: „Przewodnik po pakiecie R”, Oficyna Wydawnicza GiS, 2014. 5. Przemysław Biecek: „Analiza danych z programem R”, PWN, Warszawa 2013. 6. Marek Gągolewski, Maciej Bartoszuk, Anna Cena: „Przetwarzanie i analiza danych w języku Python”, PWN, Warszawa 2017. 7. Igor Milovanović: „Python Data Visualization Cookbook”, Packt Publishing, 2013.
Metody i kryteria oceniania:	Uczestnictwo w zajęciach, zadania domowe.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.