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	Modelowanie statystyczne							Kod przedmiotu	DS1S4MOS
								Rodzaj przedmiotu	obowiązkowy
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	4
	15				30			Punkty ECTS	4
Przedmioty wprowadzające	Rachunek prawdopodobieństwa (DS1S2RPR), Statystyka matematyczna (DS1S3SMA),
Cele przedmiotu	Przekazanie podstawowej wiedzy z zakresu modelowania statystycznego dla jednej i wielu zmiennych Rozwój praktycznych umiejętności opisu i analizy zjawisk, interpretacji wyników, co jest kluczowe w analizie danych w kontekście modelowania zjawisk w rzeczywistych problemach. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: - Data Science (DATS) - poziom 3: ocena i porównywanie modeli, interpretacja wyników - Data Analytics (DAAN) - poziom 2: analiza i wizualizacja wyników
Treści programowe	Podstawy modelowania statystycznego. Przygotowywanie danych do analizy, przetwarzanie wstępne. Ogólne modele liniowe. Uogólnione modele liniowe. Modele nieliniowe. Niestandardowe modele regresji. Modele dla powtarzanych pomiarów. Konstruowanie, stosowanie i walidacja modeli. Wykład: 1. Wprowadzenie do modelowania statystycznego. Przykłady rzeczywistych zbiorów danych oraz przeprowadzanych analiz. Problemy występujące w danych 2. Statystyka opisowa. Teoria estymacji 3. Testowanie hipotez 4. Ogólne modele liniowe: analiza wariancji jedno i wieloczynnikowa 5. Ogólne modele liniowe: analiza regresji prostej i wieloraka 6. Ogólne modele liniowe: analiza kowariancji 7. Regresja logistyczna 8. Regresja Poissona 9. Uogólnione modele liniowe 10. Regresja nieliniowa: linearyzowalna 11. Regresja nieliniowa 12. Regresja segmentowa 13. Modele dla powtarzanych pomiarów 14. Modele dla powtarzanych pomiarów 15. Modele regresji nieliniowej Pracownia specjalistyczna: 1. Zapoznanie studentów z zasadami zaliczenia. Ekspoloracyjna analiza danych 2. Statystyka opisowa. Teoria estymacji 3. Testowanie hipotez 4. Ogólne modele liniowe: analiza wariancji jedno i wieloczynnikowa 5. Ogólne modele liniowe: analiza regresji prostej i wieloraka 6. Ogólne modele liniowe: analiza kowariancji 7. Regresja logistyczna 8. Regresja Poissona 9. Uogólnione modele liniowe 10. Regresja nieliniowa: linearyzowalna 11. Regresja nieliniowa 12. Regresja segmentowa 13. Modele dla powtarzanych pomiarów 14. Modele dla powtarzanych pomiarów 15. Dokończenie niezrealizowanych zadań. Zaliczenie pracowni specjalistycznej
Metody dydaktyczne	wykład konwersatoryjny, wykład problemowy, wykład z prezentacją multimedialną, dyskusja rozwiązań, praca w grupach,
Forma zaliczenia	Wykład: zaliczenie pisemne z pytaniami otwartymi Pracownia specjalistyczna: opracowanie zadań projektowych realizowanych w grupach
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	podstawowe koncepcje i rodzaje modeli statystycznych								DS1_W01
EU2	metody oceny modeli statystycznych								DS1_W01
EU3	pojęcia korelacji, regresji liniowej i wielorakiej, regresji nieliniowej								DS1_U01 DS1_U03 DS1_U19
EU4	zbudować i ocenić modele statystyczne								DS1_U01 DS1_U03 DS1_U19
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne								W
EU2	zaliczenie pisemne								W
EU3	wykonanie sprawozdań i projektu								Ps
EU4	wykonanie sprawozdań i projektu								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - udziałem w wykładach								15
	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								5
	5 - przygotowaniem do zaliczenia pracowni specjalistycznej								46
RAZEM:									100
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									49 (1)+(2)+(3)	2.0
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									76 (2)+(5)	3.0
Literatura podstawowa	1. M.H. Kutner, C.J. Nachtsheim, J. Neter, W. Li, Applied linear statistical models, 5th ed. McGraw-Hill, 2005 2. P. Biecek, Na przełaj przez Data Mining z pakietem R (http://www.biecek.pl/NaPrzelajPrzezDataMining/NaPrzelajPrzezDataMining.pdf) 3. A.J. Dobson, A. Barnett, An Introduction to Generalized Linear Models. Chapman & Hall/CRC Texts in Statistical Science, 2008 4. G. M. Fitzmaurice, Applied Longitudinal Analysis, John Wiley & Sons Inc., 2011
Literatura uzupełniająca	1. W. Krysicki, J. Bartos, i inni, Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, PWN, 1999 2. J. Jiming, T. Nguyen, Linear and Generalized Linear Mixed Models and Their Applications, Springer Natur, 2011
Jednostka realizująca	Wydział Informatyki								Data opracowania programu
Program opracował(a)	dr hab. Dorota Mozyrska,dr hab. Małgorzata Wyrwas								2025.05.30