Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Eksploracja danych internetowych							Kod przedmiotu	INF1EDI
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	5
	26				30			Punkty ECTS	5
Przedmioty wprowadzające	Programowanie obiektowe (INF1POB), Sztuczna inteligencja (INF1SIN),
Cele przedmiotu	Zaznajomienie z celem analizy danych internetowych. Poznanie powszechnych systemów decyzyjnych i informacyjnych stosujących dane internetowe. Wykorzystanie dostępnych bibliotek w językach Python/Java/C# do stworzenia systemów decyzyjnych i informacyjnych. Odniesienia do standardu SFIA: Data science DATS - poziom 2 Programming/software development PROG - poziom 3
Treści programowe	Wykład: 1. Wprowadzenie do problemu analizy danych internetowych. 2. Przegląd i analiza działających systemów. 3. Ocena działania systemów decyzyjnych/informacyjnych Pracownia specjalistyczna: 1. Analiza cech i przeznaczenia działających systemów bazujących na danych internetowych. 2. Przegląd gotowych bibliotek i ocena ich możliwości. 3. Przegląd repozytoriów danych i weryfikacja sposobów ich pozyskania. 4. Wykorzystanie gotowych bibliotek do implementacji systemu decyzyjnego/informacyjnego. 5. Ocena działania systemu.
Metody dydaktyczne	symulacja, metoda projektów, pokaz, programowanie z użyciem komputera, burza mózgów, wykład problemowy,
Forma zaliczenia	Wykład: zaliczenie pisemne. Pracownia specjalistyczna: projekty implementacyjne
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna rodzaje i możliwości wykorzystania internetowych systemów inteligentnych								INF1_W09 INF1_W10 INF1_W14
EU2	potrafi dobrać odpowiedni algorytm Sztucznej Inteligencji do rozpatrywanego problemu i wykorzystać go w swojej aplikacji								INF1_U02 INF1_U04 INF1_U07 INF1_U10 INF1_U11
EU3	dokonać oceny działania stworzonego systemu z wykorzystaniem stosowanych do tego celu wskaźników								INF1_U07 INF1_U10
EU4	wykorzystać istniejące biblioteki oprogramowania do stworzenia własnego systemu								INF1_U04 INF1_U10 INF1_U11 INF1_U13
EU5	optymalizacji realizowanych aplikacji pod względem wykorzystywanych zasobów								H1_K03
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	test pisemny								W
EU2	projekt, sprawozdania z zajęć								Ps
EU3	wykonanie sprawozdań; realizacja projektów								Ps
EU4	wykonanie sprawozdań; realizacja projektów								Ps
EU5	projekt, sprawozdania z zajęć								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach - 15x1h								15
	2 - Udział w pracowni specjalistycznej - 15x2h								30
	3 - Przygotowanie do pracowni specjalistycznej								15
	4 - Realizacja zadań projektowych								35
	5 - Przygotowanie do zaliczenia przedmiotu								10
	6 - Udział w konsultacjach								5
	7 - opracowaniem wyników i sprawozdania								15
RAZEM:									125
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									50 (1)+(2)+(6)	2.0
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									95 (2)+(3)+(4)+(7)	3.8
Literatura podstawowa	1. Kyle Gallatin, Chris Albon: Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu, Helion 2. Sebastian Raschka, Vahid Mirjalili: Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2, Helion
Literatura uzupełniająca	1. Aurélien Géron: Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow, Helion
Jednostka realizująca	Katedra Systemów Informacyjnych i Sieci Komputerowych								Data opracowania programu
Program opracował(a)	dr inż. Urszula Kużelewska								2025.05.12