SylabUZ
Nazwa przedmiotu | Przetwarzanie i wizualizacja danych |
Kod przedmiotu | 11.0-WK-IiEP-PWD-L-S14_pNadGenS0FUS |
Wydział | Wydział Matematyki, Informatyki i Ekonometrii |
Kierunek | Informatyka i ekonometria |
Profil | ogólnoakademicki |
Rodzaj studiów | pierwszego stopnia z tyt. licencjata |
Semestr rozpoczęcia | semestr zimowy 2019/2020 |
Semestr | 4 |
Liczba punktów ECTS do zdobycia | 5 |
Występuje w specjalnościach | Analityka biznesowa |
Typ przedmiotu | obieralny |
Język nauczania | polski |
Sylabus opracował |
|
Forma zajęć | Liczba godzin w semestrze (stacjonarne) | Liczba godzin w tygodniu (stacjonarne) | Liczba godzin w semestrze (niestacjonarne) | Liczba godzin w tygodniu (niestacjonarne) | Forma zaliczenia |
Laboratorium | 30 | 2 | - | - | Zaliczenie na ocenę |
Wykład | 30 | 2 | - | - | Egzamin |
Zapoznanie studentów ze sposobami przetwarzania danych oraz możliwościami wizualizacji i prezentacji wyników przeprowadzonych analiz w problemach inżynierskich przy
wykorzystaniu wybranych pakietów matematycznych.
Brak wymagań.
Wykład / Laboratorium
1. Cykl życia analizy danych.
2. Przygotowanie danych: zrozumienie, czyszczenie, transformacja, reprezentacja, przechowywanie.
3. Typy i charakterystyki danych.
4. Typy wizualizacji danych.
5. Tworzenie raportów i prezentacja danych i wyników analiz.
6. Wykorzystanie wybranego pakietu matematycznego w procesie przetwarzania danych i ich wizualizacji w wybranych problemach związanych z analizą danych
rzeczywistych.
Wykład: konwersatoryjny i problemowy.
Laboratorium: ćwiczenia związane z przetwarzaniem rzeczywistych danych i ich wizualizacja przy wykorzystaniu wybranego pakietu matematycznego.
Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
Laboratorium: przygotowanie raportu z przeprowadzonej analizy danych oraz aktywność na zajęciach.
Wykład: egzamin pisemny.
Ocena końcowa to średnia arytmetyczna oceny z laboratorium i oceny z wykładu. Obie oceny cząstkowe muszą być pozytywne.
1. Data science and big data analytics: Discovering, Analyzing, Visualizing and Presenting Data, John Wiley & Sons, Inc. Indianapolis, 2015
2. Cole Nussbaumer Knaflic, Storytelling danych. Poradnik wizualizacji danych dla profesjonalistów, Onepress, 2019
1. Michael Freeman, Joel Ross, Data Science. Programowanie, analiza i wizualizacja danych z wykorzystaniem języka R, Helion, 2019
Zmodyfikowane przez dr Alina Szelecka (ostatnia modyfikacja: 16-10-2020 15:23)