Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Data Science							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Przetwarzanie i wizualizacja danych							Kod przedmiotu	DS1S3PWD
								Rodzaj przedmiotu	obowiązkowy
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	3
	30				30			Punkty ECTS	5
Przedmioty wprowadzające	Algebra liniowa 1 (DS1S1AL1), Bazy i hurtownie danych (DS1S2BHD), Podstawy programowania (DS1S1PPR), Programowanie obiektowe (DS1S2POB),
Cele przedmiotu	Przekazanie zaawansowanej wiedzy z zakresu przetwarzania wstępnego danych, integracji i wizualizacji danych z wykorzystaniem nowoczesnych narzędzi i bibliotek. Rozwój praktycznych umiejętności w zakresie tworzenia kompleksowych rozwiązań do analizy i wizualizacji danych, ze szczególnym uwzględnieniem dashboardów i aplikacji webowych. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: Data Visualisation VISL - poziom 3 Data Engineering DENG - poziom 3 Data Analytics DAAN - poziom 3 Programming/Software Development PROG - poziom 2 User Experience Analysis UNAN - poziom 2
Treści programowe	Zaawansowane techniki przetwarzania danych z wykorzystaniem frameworków języka Python, takich jak Pandas i Polars. Integracja danych z różnych źródeł, w tym API i baz danych. Tworzenie interaktywnych wizualizacji z użyciem dedykowanych bibliotek. Projektowanie i implementacja dashboardów analitycznych oraz architektura aplikacji webowych do wizualizacji danych. Automatyzacja procesów przetwarzania i raportowania. Zasady UX w wizualizacji danych. Implementacja zaawansowanych transformacji danych oraz integracja danych z różnych źródeł. Tworzenie interaktywnych wizualizacji i projektowanie dashboardów analitycznych. Automatyzacja procesów analitycznych. Realizacja projektu końcowego obejmującego kompleksowe rozwiązanie wizualizacyjne. Wykład: 1 Zaawansowane przetwarzanie danych w Pythonie. Koncepcja Daturami dla złożonych operacji w różnych implementacjach m.in. Pandas/Polars 2. Operacje import/export z wykorzystaniem formatów zewnętrznych. Praca z różnymi formatami danych (np. CSV, JSON, Excel, XML) 3. Proste narzędzia wizualizacyjne. Rodzaje wykresów 4. Integracja danych z różnych źródeł. REST API i webservices. Protokoły komunikacyjne. Web scraping 5. Architektura aplikacji webowych. REST API. Podstawy protokołu HTTP. Architektura klient-serwer. Mikroserwisy w kontekście aplikacji analitycznych 6. Interaktywna wizualizacja danych. Biblioteki do wizualizacji m.in. Plotly, Bokeh, Altair 7. Dashboardy analityczne w przykładach. Narzędzia, np. Streamlit, Dash, Panel. Architektura aplikacji dashboardowych 8. Narzędzia do szybkiego tworzenia dashboardów. Narzędzia dla danych czasowych. Podstawy konfiguracji i wdrażania prostych rozwiązań dashboardowych 9. Procesy wdrażania rozwiązań wizualizacyjnych. Wdrażanie dashboardów. Integracja z systemami produkcyjnymi. Monitorowanie wydajności 10. Automatyzacja raportowania. Generowanie automatycznych raportów. Eksport do różnych formatów. Planowanie i harmonogramowanie raportów 11. Optymalizacja przetwarzania danych. Automatyzacja pobierania danych 12. Autoryzacja i bezpieczeństwo aplikacji internetowych w kontekście tworzenia aplikacji analitycznych 13. Czynnik ludzki w projektowaniu interfejsów użytkownika i wizualizacji danych 14. Projektowanie efektywnych wizualizacji. Zasady UX w wizualizacji danych 15. Zaliczenie wykładu Pracownia specjalistyczna: 1. Zaawansowany Pandas/Polars: implementacja złożonych transformacji danych 2. Integracja różnych źródeł danych; optymalizacja przetwarzania 3. Proste narzędzia wizualizacyjne: implementacja wykresów z wykorzystaniem różnych bibliotek 4. Tworzenie interaktywnych wizualizacji 5. Tworzenie interaktywnych raportów 6. Narzędzia dashboardowe: implementacja dashboardów; konfiguracja źródeł danych; automatyzacja aktualizacji danych 7. Tworzenie dashboardów: implementacja aplikacji w Streamlit i Dash; projektowanie interfejsu użytkownika; integracja z bazami danych 8. Wdrażanie dashboardów i automatyzacja raportów 9. Realizacja projektów 10. Realizacja projektów 11. Realizacja projektów 12. Realizacja projektów 13. Realizacja projektów 14. Realizacja projektów 15. Zaliczenie zajęć
Metody dydaktyczne	metoda projektów, programowanie z użyciem komputera, wykład problemowy, wykład informacyjny, wykład z prezentacją multimedialną,
Forma zaliczenia	Wykład: zaliczenie pisemne z pytaniami otwartymi Pracownia specjalistyczna: zadania realizowane indywidualnie; opracowanie zadań projektowych realizowanych w grupach
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zaawansowane techniki przetwarzania i wizualizacji danych								DS1_W06 DS1_W07
EU2	architekturę aplikacji webowych i systemów dashboardowych								DS1_W03 DS1_W10 DS1_W16
EU3	metody integracji z wykorzystaniem API i automatyzacji procesów analitycznych								DS1_W04 DS1_W15
EU4	implementować zaawansowane transformacje danych z wykorzystaniem wybranej biblioteki języka Python								DS1_U05 DS1_U16
EU5	tworzyć interaktywne wizualizacje i dashboardy z wykorzystaniem wybranej biblioteki języka Python								DS1_U04 DS1_U06
EU6	integrować różne źródła danych, wykorzystywać API i automatyzować procesy z wykorzystaniem wybranej biblioteki języka Python								DS1_U06 DS1_U16
EU7	tworzenia efektywnych rozwiązań wizualizacyjnych dostosowanych do potrzeb użytkowników								DS1_K04 (H1_K03) DS1_K05
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne								W
EU2	zaliczenie pisemne								W
EU3	zaliczenie pisemne								W
EU4	ocena sprawozdań laboratoryjnych i rozwiązywanych zadań; ocena projektu								Ps
EU5	ocena sprawozdań laboratoryjnych i rozwiązywanych zadań; ocena projektu								Ps
EU6	ocena sprawozdań laboratoryjnych i rozwiązywanych zadań; ocena projektu								Ps
EU7	ocena sprawozdań laboratoryjnych i rozwiązywanych zadań; ocena projektu								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - udziałem w wykładach								30
	2 - udziałem w innych formach zajęć								30
	3 - indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w zaliczeniach organizowanych poza planem zajęć								4
	4 - przygotowaniem do zaliczenia wykładu								10
	5 - przygotowaniem do bieżących zajęć								51
RAZEM:									125
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									64 (1)+(2)+(3)	2.6
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									81 (2)+(5)	3.2
Literatura podstawowa	1. W. McKinney, Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter. Wydanie III, Helion, 2023 2. J. Grus, Data science od podstaw. Analiza danych w Pythonie. Wydanie II, Helion, 2023 3. A. Nadlani, A. Fandango, I. Idei, Pytona i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III, Helion, 2022 4. C. O. Wilka, Podstawy wizualizacji danych, Helion, 2023 5. J. Tensorem, Potoki danych. Leksykon kieszonkowy. Przenoszenie i przetwarzanie danych na potrzeby ich analizy, Helion, 2023
Literatura uzupełniająca	1. Dokumentacja rozwiązania szkieletowego Sterali, https://docs.streamlit.io/ 2. Dokumentacja techniczna pakietu Pandą, https://pandas.pydata.org/docs/ 3. Dokumentacja rozwiązania szkieletowego Ploty Cash, https://dash.plotly.com/ 4. I. Pereyra, Uniwersalne zasady projektowania UX, Wydawnictwo Naukowe PWN, 2025 5. Podręcznik użytkownika Bokeh, https://docs.bokeh.org/en/latest/docs/user_guide.html
Jednostka realizująca	Wydział Informatyki								Data opracowania programu
Program opracował(a)	dr inż. Marcin Koźniewski,dr inż. Daniel Reska,dr inż. Marcin Skoczylas								2025.06.05