Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Matematyka Stosowana							Poziom i forma studiów	drugiego stopnia stacjonarne
Specjalność / Ścieżka dyplomowania	Analityka Danych i Modelowanie Matematyczne							Profil kształcenia	praktyczny
Nazwa przedmiotu	Programowanie dla analityki danych							Kod przedmiotu	MAT2PAD
								Rodzaj przedmiotu	obowiązkowy
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	1
	30				45			Punkty ECTS	6
Przedmioty wprowadzające
Cele przedmiotu	Celem przedmiotu jest zapoznanie studentów z językiem Python oraz bibliotekami dedykowanymi dla analizy danych (np. Pandas, NumPy, Sympy, SciPy, Scikit-Learn). Nabycie umiejętności wykorzystania wybranej biblioteki do implementacji aplikacji realizującej praktyczne zadanie z zakresu analizy danych.
Treści programowe	Wykład: Wprowadzenie do języka Python, struktury danych, programowanie funkcyjne, programowanie obiektowe, biblioteki standardowe języka Python, biblioteki i narzędzia dodatkowe (np. Pandas, NumPy, Sympy, SciPy, Scikit-Learn), zagadnienia zaawansowane. Pracownia specjalistyczna: Obiekty, zmienne, instrukcje typy, formatowanie stringów, operacje plikowe w Pythonie, projektowanie i tworzenie kodu, zagadnienia i zastosowania praktyczne z wykorzystaniem dostępnych bibliotek i narzędzi, korzystanie z dokumentacji technicznej, implementowanie większych programów.
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera, wykład informacyjny,
Forma zaliczenia	Wykład: zaliczenie pisemne (wymagane zaliczenie pracowni specjalistycznej). Pracownia specjalistyczna: ocena zadań realizowanych na zajęciach.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna i stosuje techniki i narzędzia programowania w języku Python								K_W07 K_U13
EU2	zna i stosuje zasady projektowania aplikacji zorientowanych obiektowo oraz programowania funkcyjnego								K_W07 K_U13 K_U15
EU3	potrafi wybrać i zaimplementować algorytm w celu stworzenia programu komputerowego do realizacji wskazanego zadania								K_W04 K_U11 K_U18
EU4	potrafi wybrać i wykorzystać biblioteki do implementacji aplikacji realizującej praktyczne zadanie z zakresu analizy danych								K_U10 K_U12 K_U18
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	ocena ćwiczeń programistycznych realizowanych w trakcie Ps, zaliczenie pisemne wykładu								W, Ps
EU2	ocena ćwiczeń programistycznych realizowanych w trakcie Ps, zaliczenie pisemne wykładu								W, Ps
EU3	ocena zadań realizowanych na Ps i ustna odpowiedź podczas oceny zadań								Ps
EU4	ocena zadań realizowanych na Ps i ustna odpowiedź podczas oceny zadań								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach								30
	2 - Udział w pracowniach specjalistycznych								45
	3 - Udział w konsultacjach								5
	4 - Przygotowanie do zajęć pracowni specjalistycznej								30
	5 - Przygotowanie do zaliczenia wykładu								10
	6 - Przygotowanie prac domowych z pracowni specjalistycznej								30
RAZEM:									150
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									80 (1)+(3)+(2)	3.2
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									105 (4)+(6)+(2)	4.2
Literatura podstawowa	1. M. Summerfield, Python 3: kompletne wprowadzenie do programowania, Helion, 2010. 2. W. McKinney, Python w analizie danych : przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython. Helion, 2018. 3. M. Dawson, Python dla każdego : podstawy programowania : od zera do bohatera! [tł. z ang.], Helion, 2014. 4. A. Boschetti, L. Massaron, Python : podstawy nauki o danych [tł. z ang.], Helion, 2017. 5. Z. A. Shaw , Python 3 : proste wprowadzenie do fascynującego świata oprogramowania [tł. z ang.], Helion, 2018.
Literatura uzupełniająca	1. M. Jaworski, T. Ziadé, Profesjonalne programowanie w Pythonie : poziom ekspert [tł. z ang.], Helion, 2017. 2. J. Hearty, Zaawansowane uczenie maszynowe z językiem Python [tł. z ang.], Helion, 2017. 3. Ch. Hill, Learning scientific programming with Python, Cambridge University Press, 2015.
Jednostka realizująca	Katedra Oprogramowania								Data opracowania programu
Program opracował(a)	dr inż. Marcin Koźniewski,dr inż. Marek Tabędzki								2020.04.06