Karta Przedmiotu
| Politechnika Białostocka | Wydział Informatyki | ||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kierunek studiów | Data Science |
Poziom i forma studiów |
pierwszego stopnia stacjonarne |
||||||||||||||||||||||||
| Grupa przedmiotów / specjalność |
Profil kształcenia | ogólnoakademicki | |||||||||||||||||||||||||
| Nazwa przedmiotu | Wstęp do Data Science | Kod przedmiotu | DS1S1WDS | ||||||||||||||||||||||||
| Rodzaj zajęć | obowiązkowy | ||||||||||||||||||||||||||
| Formy zajęć i liczba godzin | W | Ć | L | P | Ps | T | S | Semestr | 1 | ||||||||||||||||||
| 30 | 30 | Punkty ECTS | 5 | ||||||||||||||||||||||||
| Program obowiązuje od | 2025/2026 | ||||||||||||||||||||||||||
| Przedmioty wprowadzające | |||||||||||||||||||||||||||
| Cele przedmiotu |
Przekazanie fundamentalnej wiedzy o procesach, metodach i narzędziach wykorzystywanych w data science oraz ich roli we współczesnym przetwarzaniu i analizie danych. Wpływ konsumpcji zasobów infrastruktury, złożoności obliczeniowej oraz sposobu składowania danych w kontekście zasad zrównoważonego rozwoju. Rozwój praktycznych umiejętności w zakresie podstawowych technik analizy danych, ich wizualizacji oraz interpretacji wyników w kontekście rzeczywistych problemów biznesowych. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: Data Science DATS - poziom 2 Database Design DBDS - poziom 2 AI and Data Ethics AIDE - poziom 2 |
||||||||||||||||||||||||||
| Ramowe treści programowe |
Wprowadzenie do data science i sztucznej inteligencji oraz ich roli w gospodarce cyfrowej. Podstawy teoretyczne, metodyki i standardy w analizie danych oraz pracy z modelami AI. Prawne i etyczne aspekty przetwarzania danych i wykorzystywania sztucznej inteligencji. Proces analizy danych zgodnie z metodyką CRISP-DM, obejmujący zarządzanie danymi i modelami oraz projektowanie architektury rozwiązań. Wprowadzenie do języka SQL i relacyjnych baz danych. Praktyczne aspekty pracy z narzędziami i platformami data science, analiza przypadków użycia w różnych branżach oraz podstawy prompt engineering. Wpływ konsumpcji zasobów infrastruktury, złożoności obliczeniowej oraz sposobu składowania danych w kontekście zasad zrównoważonego rozwoju. |
||||||||||||||||||||||||||
| Inne informacje o przedmiocie | treści przedmiotu odwołują się do zasad zrównoważonego rozwoju | ||||||||||||||||||||||||||
| przedmiot ma związek z prowadzoną na Uczelni działalnością naukową | |||||||||||||||||||||||||||
| Wyliczenie: | Nakład pracy studenta związany z: | Godzin ogółem |
W tym kontaktowych |
W tym praktycznych |
|||||||||||||||||||||||
| udziałem w wykładach | 30 | 30 | |||||||||||||||||||||||||
| udziałem w innych formach zajęć | 30 | 30 | 30 | ||||||||||||||||||||||||
| indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w zaliczeniach organizowanych poza planem zajęć | 4 | 4 | |||||||||||||||||||||||||
| przygotowaniem do zaliczenia wykładu | 10 | ||||||||||||||||||||||||||
| przygotowaniem do bieżących zajęć o charakterze praktycznym | 51 | 51 | |||||||||||||||||||||||||
| Razem godzin: | 125 | 64 | 81 | ||||||||||||||||||||||||
| Razem punktów ECTS: | 5 | 2.6 | 3.2 | ||||||||||||||||||||||||
| Zakładane kierunkowe efekty uczenia się | Wiedza | Umiejętności | Kompetencje społeczne |
||||||||||||||||||||||||
| DS1_W18 (H1_W01) | DS1_U02 | DS1_K01 | |||||||||||||||||||||||||
| DS1_W14 (H1_W02) | DS1_U05 | ||||||||||||||||||||||||||
| DS1_W02 | DS1_U07 | ||||||||||||||||||||||||||
| DS1_W05 | DS1_U10 | ||||||||||||||||||||||||||
| DS1_W12 | DS1_U11 | ||||||||||||||||||||||||||
| DS1_W19 | DS1_U21 | ||||||||||||||||||||||||||
| DS1_W21 | |||||||||||||||||||||||||||
| Cele i treści ramowe sformułował(a) | dr inż. Paweł Tadejko | Data: | 29/05/2025 | ||||||||||||||||||||||||
| Realizacja w roku akademickim | 2025/2026 | ||||||||||||||||||||||||||
| Treści programowe | |||||||||||||||||||||||||||
| Wykład | |||||||||||||||||||||||||||
| 1. | Wprowadzenie do data science - podstawowe pojęcia, rola we współczesnym świecie, ekosystem data science, główne obszary zastosowań, kluczowe kompetencje data scientist | ||||||||||||||||||||||||||
| 2. | Strategiczny wymiar AI i data science - narodowe strategie AI, koncepcja data spaces w UE, narzędzia przewagi konkurencyjnej, wpływ na rozwój gospodarczy, globalna konkurencja w obszarze AI. Wpływ konsumpcji zasobów infrastruktury w kontekście zasad zrównoważonego rozwoju | ||||||||||||||||||||||||||
| 3. | Aspekty prawne i etyczne AI - regulacje (AI Act, GDPR), ochrona danych osobowych, etyka w data science, odpowiedzialna AI, prywatność i bezpieczeństwo danych | ||||||||||||||||||||||||||
| 4. | Proces analizy danych (CRISP-DM) - zrozumienie biznesu, zrozumienie danych, przygotowanie danych, modelowanie, ewaluacja, wdrożenie, iteracyjność procesu, zarządzanie projektem data science | ||||||||||||||||||||||||||
| 5. | Data Science Pipeline - pozyskiwanie danych, przetwarzanie, czyszczenie, transformacja, analiza, wizualizacja, modelowanie, wdrażanie, monitoring modeli | ||||||||||||||||||||||||||
| 6. | Data Engineering - architektura danych, metadata management, data quality, data governance, data lineage, data catalog, data security | ||||||||||||||||||||||||||
| 7. | Storytelling danych i AI Governance - zarządzanie modelami AI, monitoring, audyt algorytmów, odpowiedzialność, transparentność, interpretacja wyników | ||||||||||||||||||||||||||
| 8. | Wprowadzenie do Big Data - charakterystyka (Volume, Velocity, Variety, Veracity, Value), technologie big data, architektura systemów big data. Wpływ sposobu składowania i przetwarzania danych w kontekście zasad zrównoważonego rozwoju | ||||||||||||||||||||||||||
| 9. | Internet Rzeczy i Edge Computing - architektura IoT, sensory i aktuatory, przetwarzanie danych w IoT, edge analytics, integracja z systemami centralnymi | ||||||||||||||||||||||||||
| 10. | Wprowadzenie do baz danych i SQL | ||||||||||||||||||||||||||
| 11. | Typy baz danych, model relacyjny | ||||||||||||||||||||||||||
| 12. | Podstawy SQL, zapytania, normalizacja, indeksowanie | ||||||||||||||||||||||||||
| 13. | Sztuczna inteligencja w praktyce - modele językowe, computer vision, systemy rekomendacyjne, automatyzacja procesów, superinteligencja, implikacje społeczne | ||||||||||||||||||||||||||
| 14. | Sztuczna inteligencja w praktyce - modele językowe, computer vision, systemy rekomendacyjne, automatyzacja procesów, superinteligencja, implikacje społeczne | ||||||||||||||||||||||||||
| 15. | Zaliczenie wykładu. | ||||||||||||||||||||||||||
| Pracownia specjalistyczna | |||||||||||||||||||||||||||
| 1. | Wprowadzenie do narzędzi AI - przegląd platform i narzędzi, demonstracje możliwości, identyfikacja zastosowań biznesowych | ||||||||||||||||||||||||||
| 2. | Zrozumienie danych biznesowych: analiza przypadków użycia data science w różnych branżach; identyfikacja problemów biznesowych możliwych do rozwiązania za pomocą analizy danych | ||||||||||||||||||||||||||
| 3. | Podstawy prompt engineering - praca z modelami językowymi, projektowanie promptów, techniki zero-shot i few-shot learning. Frameworki zapytań. Strukturyzacja danych wejściowych i wyjściowych | ||||||||||||||||||||||||||
| 4. | Eksperymentowanie z generatywną AI - eksperymenty z modelami AI, generowanie treści, analiza obrazów, automatyzacja | ||||||||||||||||||||||||||
| 5. | Eksperymentowanie z generatywną AI - eksperymenty z modelami AI, generowanie treści, analiza obrazów, automatyzacja | ||||||||||||||||||||||||||
| 6. | Ćwiczenia z SQL - złączenia tabel, podzapytania | ||||||||||||||||||||||||||
| 7. | Ćwiczenia z SQL - złączenia tabel, podzapytania | ||||||||||||||||||||||||||
| 8. | Ćwiczenia z SQL - dialekty SQL | ||||||||||||||||||||||||||
| 9. | Ćwiczenia z SQL - optymalizacji zapytań | ||||||||||||||||||||||||||
| 10. | Ćwiczenia z SQL - zapytania i podzapytania SQL na prostych modelach | ||||||||||||||||||||||||||
| 11. | Ćwiczenia z SQL - zapytania i podzapytania SQL na prostych modelach | ||||||||||||||||||||||||||
| 12. | Narzędzia low-code/no-code dla AI - platformy automatyzacji | ||||||||||||||||||||||||||
| 13. | Narzędzia low-code/no-code dla AI - platformy automatyzacji | ||||||||||||||||||||||||||
| 14. | Narzędzia low-code/no-code dla AI - kreatory aplikacji | ||||||||||||||||||||||||||
| 15. | Zaliczenie pracowni specjalistycznej | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja stacjonarna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| Ps | zadania projektowe w grupach; dyskusja rozwiązań | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja zdalna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| - | |||||||||||||||||||||||||||
| Forma zaliczenia | |||||||||||||||||||||||||||
| W | zaliczenie pisemne z pytaniami otwartymi | ||||||||||||||||||||||||||
| Ps | opracowanie zadań projektowych realizowanych w grupach | ||||||||||||||||||||||||||
| Warunki zaliczenia | |||||||||||||||||||||||||||
| W | Uzyskanie min. 30% punktów z każdego E1-E3, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Ps | Uzyskanie min. 30% punktów z każdego E4-E7, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Symbol efektu | Zakładane efekty uczenia się | Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów | |||||||||||||||||||||||||
| Wiedza | Umiejętności | Kompetencje społeczne |
|||||||||||||||||||||||||
| Wiedza: student zna i rozumie | |||||||||||||||||||||||||||
| E1 | podstawowe koncepcje data science i rozumie ich rolę we współczesnym świecie | ||||||||||||||||||||||||||
| E2 | główne obszary zastosowań sztucznej inteligencji w biznesie i przemyśle; wpływ konsumpcji zasobów infrastruktury i sposobów składowania danych w kontekście zasad zrównoważonego rozwoju | ||||||||||||||||||||||||||
| E3 | wybrane aplikacje użytkowe sztucznej inteligencji, zasady działania i ich ograniczenia | ||||||||||||||||||||||||||
| Umiejętności: student potrafi | |||||||||||||||||||||||||||
| E4 | identyfikować problemy możliwe do rozwiązania metodami data science | ||||||||||||||||||||||||||
| E5 | korzystać z wybranych aplikacji użytkowych sztucznej inteligencji w realizacji zadań edukacyjnych i życia codziennego | ||||||||||||||||||||||||||
| E6 | posługiwać się językiem SQL na poziomie podstawowym | ||||||||||||||||||||||||||
| Kompetencje społeczne: student jest gotów do | |||||||||||||||||||||||||||
| E7 | krytycznej oceny możliwości wykorzystania sztucznej inteligencji w różnych kontekstach | ||||||||||||||||||||||||||
| Symbol efektu | Sposób weryfikacji efektu uczenia się | Forma zajęć na której zachodzi weryfikacja | |||||||||||||||||||||||||
| E1 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E2 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E3 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E4 | ocena sprawozdań oraz rozwiązań zadań problemowych | Ps | |||||||||||||||||||||||||
| E5 | ocena sprawozdań oraz rozwiązań zadań problemowych | Ps | |||||||||||||||||||||||||
| E6 | ocena sprawozdań oraz rozwiązań zadań problemowych | Ps | |||||||||||||||||||||||||
| E7 | ocena sprawozdań oraz rozwiązań zadań problemowych | Ps | |||||||||||||||||||||||||
| Literatura podstawowa | |||||||||||||||||||||||||||
| 1. | A.J. Gutman, J. Goldmeier, Analityk danych: przewodnik po data science, statystyce i uczeniu maszynowym, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 2. | M.J. Hernandez, Projektowanie baz danych dla każdego: przewodnik krok po kroku, Helion, Gliwice, 2022 | ||||||||||||||||||||||||||
| 3. | Nycz M., Hurtownie danych i business intelligence w organizacji, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław, 2012 | ||||||||||||||||||||||||||
| 4. | J. Nolis, E. Robinson, Skazany na sukces: kariera w Data Science, Helion, Gliwice, 2021 | ||||||||||||||||||||||||||
| 5. | A. DeBarros, SQL w praktyce: jak dzięki danym uzyskiwać cenne informacje, Helion, Gliwice, 2024 | ||||||||||||||||||||||||||
| Literatura uzupełniająca | |||||||||||||||||||||||||||
| 1. | D. Stephenson, Big Data, nauka o danych i AI bez tajemnic: podejmuj lepsze decyzje i rozwijaj swój biznes!, Helion, Gliwice, 2020 | ||||||||||||||||||||||||||
| 2. | J. Reis, M. Housley, Inżynieria danych w praktyce: kluczowe koncepcje i najlepsze technologie, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 3. | L. Campbell, C. Majors, Inżynieria niezawodnych baz danych. Projektowanie systemów odpornych na błędy, Wydawnictwo Helion, Gliwice, 2020 | ||||||||||||||||||||||||||
| 4. | J. Schaich Borg, V. Conitzer, W. Sinnott-Armstrong, Moralna AI: czy bać się sztucznej inteligencji, Prószyński i S-ka, Warszawa, 2024 | ||||||||||||||||||||||||||
| Koordynator przedmiotu: | dr hab. Marek J. Drużdżel, dr inż. Paweł Tadejko, dr hab. inż. Sławomir Zieliński | Data: | 05/06/2025 | ||||||||||||||||||||||||