Uniwersytet Jagielloński w Krakowie - Punkt LogowaniaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Big data- analiza wielu danych

Informacje ogólne

Kod przedmiotu: WZ.ZI-073 Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Big data- analiza wielu danych
Jednostka: Instytut Studiów Informacyjnych
Grupy: Zarządzanie informacją, I stopnia, stacjonarne, III rok (sem. zimowy, FK)
Punkty ECTS i inne: 4.00
zobacz reguły punktacji
Język prowadzenia: polski

Zajęcia w cyklu "Semestr zimowy 2020/2021" (w trakcie)

Okres: 2020-10-01 - 2021-01-28
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Konwersatorium, 30 godzin więcej informacji
Koordynatorzy: Magdalena Zych
Prowadzący grup: Magdalena Zych
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Cele kształcenia:

Przygotowanie studentów do samodzielnej oceny zasadności przeprowadzania analizy Big Data, wyboru narzędzi umożliwiających podstawową analizę (dopasowanych do sytuacji problemowej i własnych kompetencji) oraz

interpretacji otrzymanych wyników.

Efekty kształcenia:

Wiedza

• student zna i rozumie aktualne trendy, dylematy i kierunki rozwoju wiedzy w obszarze zarządzania wielorakimi danymi – Big data

• student zna i rozumie użyteczność danych w kontekście ich ponownego wykorzystania

• student zna i rozumie potrzeby i zachowania informacyjne użytkowników wielorakich danych

• student zna i rozumie podstawowe pojęcia, regulacje i zasady zarządzania i korzystania z wielu danych

• student zna i rozumie systemy organizacji i zarządzania wielorakimi danymi z uwzględnieniem norm,

rekomendowanych metod, dobrych praktyk


Umiejętności

• student potrafi zdefiniować i sklasyfikować różnorodne dane

• student potrafi przygotować analizę wielu danych wybierając do tego najlepsze algorytmy ich uporządkowania i prezentowania

• student potrafi w kontekście potrzeb użytkowników różnorodnych danych analizować i oceniać systemy oraz procesy zarządzania danymi

• student potrafi projektować analizę z wybranych systemów zarządzania Big data, odwołując się do poznanych metod, narzędzi, standardów


Kompetencje społeczne

• student jest gotów do permanentnego rozwijania swojej wiedzy i umiejętności

• student jest gotów do wyrabiania w sobie postawy odpowiedzialności i systematyczności w realizacji zadań

• student jest gotów do stosowania najnowszych rozwiązań technologii informacyjnej w organizacji wszystkich procesów analitycznych

• student jest gotów do uznawania znaczenia rzetelności i profesjonalizmu analityka Big data




Forma i warunki zaliczenia:

Zaliczenie na ocenę.


Warunkiem uzyskania zaliczenia ćwiczeń jest uczestnictwo w zajęciach (dopuszczalna jedna nieobecność), aktywny w nich udział (dyskusja, wykonywanie zadań, omawianie lektur).


Ocenie podlega:

- obecność i aktywny udział w zajęciach – 0-30 pkt.

- wykonywanie zadań – 0-50 pkt.

-zadania domowe – 0-20 pkt.


Obowiązuje następująca skala ocen (1 – 100 pkt.):

0-50 pkt – ocena ndst

51-60 pkt. – ocena dst

61-70 pkt. – ocena + dst

71-80 pkt. – ocena db

81-90 pkt. – ocena + db

91-100 pkt. – ocena bdb

Metody sprawdzania i kryteria oceny efektów kształcenia uzyskanych przez studentów:

Studenci są oceniani w sposób ciągły na podstawie uczestnictwa i aktywności na zajęciach oraz realizacji zadań na wybrany temat. Dodatkowymi kryteriami oceny są: terminowość wykonania ćwiczeń oraz dostosowanie się do wymagań dotyczących sposobu ich wykonania, określonych przez prowadzącego zajęcia.


Metody kształtujące dla oceny ciągłej to:

- bieżąca ocena i ewentualna korekta realizacji zadań wykonywanych w trakcie ćwiczeń

- dyskusja oceniająca po wykonaniu wszystkich zadań przez studentów

- przygotowane przez studentów opracowania na wybrany temat.


Metody podsumowujące:

- ostateczna, końcowa ocena wykonania zadań oraz analiz, w tym zgodności z zaleceniami.


Metody dydaktyczne - słownik:

E-learning
Metody podające - opis
Metody praktyczne - ćwiczenia laboratoryjne
Metody praktyczne - metoda projektów
Metody problemowe - wykład problemowy
Metody programowane - z użyciem komputera

Bilans punktów ECTS:

Uczestnictwo w ćwiczeniach: 30 godzin

Czytanie literatury obowiązkowej i uzupełniającej oraz przyswajanie nowej wiedzy: 30 godzin

Przygotowanie się do ćwiczeń, dokończenie zadań: 30 godzin

Przygotowywanie analiz: 30 godziny

Łączny nakład pracy studenta wynosi 120 godzin, co odpowiada 4 punktom ECTS


Pełny opis:

  1. Big Data, osadzenie Big Data w kontekście innych danych; dane surowe; sposoby weryfikacji danych
  2. wykorzystanie tych samych danych w różnych dyscyplinach i działalności praktycznej, team science
  3. analiza Big Data - 1. statyczna, dynamiczna, mapy, przekroje, linie trendu (regresja liniowa); 2. etapy analizy: określenie celu analizy, wybór danych (zbioru i źródła danych), wstępna obróbka danych (pre-processing), przekształcanie danych, przechowanie danych, data-mining, ewaluacja wyników analizy; 3. modele: opisowy i prognostyczny; 4. przygotowywanie analiz w doniesieniu do potrzeb użytkowników; 5. interpretacja wyników, proces decyzyjny – odniesienie do analiz
  4. podstawy machine learning
  5. przykłady wykorzystania Big Data
  6. wybrane narzędzia do analizy i wizualizacji Big Data
Literatura:

Obowiązkowa:

1. literatura z zakresu wybranych aspektów big data np.:

Błażewicz, Grzegorz. Rewolucja z marketing automation : jak wykorzystać potencjał Big Data. Warszawa : Wydawnictwo Naukowe PWN, cop. 2016.

Mach-Król, Maria. Analiza i strategia big data w organizacjach. Studia i Materiały Polskiego Stowarzyszenia Zarządzania Wiedzą. 1732-324X. Nr 74 (2015), s. 43-55.

2. materiały z zakresu podstaw analizy statystycznej np.

Khan Academy (2011). Korelacja i przyczynowość. https://pl.khanacademy.org/math/probability/scatterplots-a1/creating-interpreting-scatterplots/v/correlation-and-causality (odczyt: 14.05.2019)

3. Doprecyzowanie listy lektur nastąpi na 1 zajęciach.

Dodatkowa:

1. Fry, Hannah (2019). Hello world : jak być człowiekiem w epoce maszyn. Kraków : Wyd. Literackie.

2. Wielki, Janusz. Analiza możliwości wykorzystania zjawiska Big Data w e-biznesie. 2014 http://yadda.icm.edu.pl/yadda/element/bwmeta1.element.ekon-element-000171308297

3. Bajerski, Piotr [i in.]. Bazy danych a chmury obliczeniowe. http://yadda.icm.edu.pl/yadda/element/bwmeta1.element.desklight-fd2bbfac-8986-40ce-a199-643c5e015c92

4. Polańska, Krystyna; Wassilew, Aleksander. Analizy big data w serwisach społecznościowych. 2015 http://yadda.icm.edu.pl/yadda/element/bwmeta1.element.desklight-fd2bbfac-8986-40ce-a199-643c5e015c92

5. Bednarek-Michalska, Bożena. Repozytoria surowych danych – dlaczego biblioteki powinny je znać? Biuletyn EBIB, nr 135 (2012). http://open.ebib.pl/ojs/index.php/ebib/article/view/152

6. Cisek, Sabina. Archiwa jakościowych danych badawczych w internecie. W: Korycińska-Huras, Agnieszka; Janiak Małgorzata (red.). Komunikacja naukowa w środowisku cyfrowym: badania, zasoby, użytkownicy. Warszawa: Wydawnictwo SBP, 2014.

7. Szulc, Jolanta (2016). Sztuczna inteligencja w informacji naukowej. W: W. Babik (Red.), Nauka o informacji. Warszawa: Wyd. SBP, s. 387-427.

8. Nawojczyk, Maria; Królewski, Jarosław (2016). Using Big Data in Innovation Research. Zagadnienia Naukoznawstwa, 52(4(210)), 431–450.

9. Doprecyzowanie listy lektur uzupełniających nastąpi na 1 zajęciach.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Jagielloński w Krakowie.