Module also offered within study programmes:
General information:
Name:
Zarządzanie wiedzą
Course of study:
2017/2018
Code:
ZZIP-2-102-PR-s
Faculty of:
Management
Study level:
Second-cycle studies
Specialty:
Production Management
Field of study:
Management and Production Engineering
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Responsible teacher:
dr inż. Rębiasz Bogdan (brebiasz@zarz.agh.edu.pl)
Academic teachers:
dr Skalna Iwona (skalna@agh.edu.pl)
Gaweł Bartłomiej (bgawel@zarz.agh.edu.pl)
dr inż. Rębiasz Bogdan (brebiasz@zarz.agh.edu.pl)
Module summary

Studenci znają pojęcie i klasyfikację zasobów wiedzy w przedsiębiorstwie, mają podstawową wiedzę o procesach zarządzania wiedzą oraz znają metody pozyskiwania wiedzy z danych.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K001 ma świadomość ciągłej potrzeby doskonalenia systemów zarządzania wiedzą w przedsiębiorstwie i aktualizowania swojej wiedzy o nowe metody eksploracji danych ZIP2A_K03 Presentation,
Test
M_K002 potrafi ocenić rolę i znaczenie zasobów wiedzy dla rozwoju przedsiębiorstwa ZIP2A_K02 Presentation
Skills
M_U001 potrafi wykonywać analizy z wykorzystaniem metod eksploracji danych oraz interpretować uzyskane wyniki i wyciągać wnioski ZIP2A_U17 Test,
Presentation
Knowledge
M_W001 zna podstawowe metody eksploracji danych oraz metody reprezentacji wiedzy ZIP2A_W15, ZIP2A_W05 Presentation,
Test
M_W002 zna pojęcie i klasyfikację zasobów wiedzy w przedsiębiorstwie oraz ma podstawową wiedzę o procesach zarządzania wiedzą w przedsiębiorstwie ZIP2A_W12, ZIP2A_W11 Test
M_W003 zna współczesne koncepcje zarządzania wiedzą oraz metody pomiaru zasobów wiedzy przedsiębiorstwa ZIP2A_W12, ZIP2A_W11 Test
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K001 ma świadomość ciągłej potrzeby doskonalenia systemów zarządzania wiedzą w przedsiębiorstwie i aktualizowania swojej wiedzy o nowe metody eksploracji danych + - - - - - - - - - -
M_K002 potrafi ocenić rolę i znaczenie zasobów wiedzy dla rozwoju przedsiębiorstwa + - + - - - - - - - -
Skills
M_U001 potrafi wykonywać analizy z wykorzystaniem metod eksploracji danych oraz interpretować uzyskane wyniki i wyciągać wnioski + - + - - - - - - - -
Knowledge
M_W001 zna podstawowe metody eksploracji danych oraz metody reprezentacji wiedzy + - + - - - - - - - -
M_W002 zna pojęcie i klasyfikację zasobów wiedzy w przedsiębiorstwie oraz ma podstawową wiedzę o procesach zarządzania wiedzą w przedsiębiorstwie + - - - - - - - - - -
M_W003 zna współczesne koncepcje zarządzania wiedzą oraz metody pomiaru zasobów wiedzy przedsiębiorstwa + - - - - - - - - - -
Module content
Lectures:

1. Definicja pojęć: dane, informacja, wiedza. Wiedza indywidualna a wiedza zbiorowa.
2. Pojęcie i znaczenie zasobów wiedzy przedsiębiorstwa. Klasyfikacja zasobów wiedzy przedsiębiorstwa: wiedza jawna i ukryta, wiedza lepka i wyciekająca.
3. Geneza koncepcji zarządzania wiedzą. Pojęcie, rola i cele zarządzania wiedzą.
4. Kluczowe procesy zarządzania wiedzą: lokalizowanie zasobów wiedzy, pozyskiwanie wiedzy, rozwijanie wiedzy, dzielenie się wiedzą i rozpowszechnianie wiedzy, wykorzystanie wiedzy, zachowywanie wiedzy.
5. Poziomy zarządzania wiedzą: zarządzanie normatywne, strategiczne i operacyjne.
6. Metody wartościowania wiedzy. Wielowymiarowe systemy pomiaru wiedzy.
7. Wdrażanie i użytkowanie systemów zarządzania wiedzą w przedsiębiorstwie.
8. Business Intelligence. Systemy wspomagania decyzji biznesowych.
9. Pozyskiwanie wiedzy z danych.
10. Przygotowanie danych do analizy (Data preprocessing).
11. Metody pozyskiwania wiedzy z danych.
• Metody grupowania obiektów (Cluster analysis),
• Metody klasyfikacji (Classification methods),
• Reguły asocjacyjne (Association ruls), odkrywanie wzorców sekwencji (Sequence patterns methods).
12. Metody detekcji rzadkich zdarzeń (Detection Of Rare Events).

Laboratory classes:

1. Przygotowanie do realizacji projektu pozyskiwania wiedzy z danych. Przydział tematów i zadań do zespołów. Omówienie koncepcji projektu.
2. Metody preprocesingu danych.
3. Grupowanie obiektów wybranymi metodami przy wykorzystaniu dostępnych pakietów statystycznych.
4. Budowa klasyfikatorów przy pomocy dostępnych pakietów statystycznych.
5. Generowanie drzew decyzyjnych przy wykorzystaniu dostępnych pakietów statystycznych.
6. Odkrywanie asocjacji w zbiorach danych. Omówienie stanu realizacji projektów, identyfikacja problemów, kontrola realizacji zadań w zespołach.
7. Prezentacja projektów przez wykonawców i dyskusja nad nimi.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 56 h
Module ECTS credits 2 ECTS
Participation in lectures 15 h
Participation in laboratory classes 15 h
Preparation for classes 6 h
Realization of independently performed tasks 5 h
Completion of a project 15 h
Additional information
Method of calculating the final grade:

Ocena z ćwiczeń laboratoryjnych jest wystawiana przez prowadzącego. Jest ona określana na podstawie oceny projektu (waga 0,3) i wyniku kolokwium (waga 0,7). Warunkiem uzyskania zaliczenia z ćwiczeń laboratoryjnych jest również wykonanie wszystkich zaplanowanych analiz.
Ocenę końcową wystawia wykładowca. Ocena ta jest wyliczana wg algorytmu:
- Jeśli uzyskano zaliczenie w pierwszym terminie:
Ocena końcowa = ocena uzyskana w pierwszym terminie
- Jeśli uzyskano zaliczenie w II terminie:
Ocena końcowa= 0.1• 2 +0.9• ocena uzyskana w drugim terminie
- Jeśli uzyskano zaliczenie w III terminie:
Ocena końcowa = 0.1• 2 +0.1• 2 +0.8• ocena uzyskana w trzecim terminie

Prerequisites and additional requirements:

Wymagana znajomość statystyki, oprogramowania biurowego oraz umiejętność posługiwania się pakietami oprogramowania do realizacji analiz statystycznych.

Recommended literature and teaching resources:

Literatura
1. Trajer J., Paszek A., Iwan S.: Zarządzanie wiedza. PWE. Warszawa 2012.
2. Probst G., Raub S., Romhardt K.: Zarządzanie wiedzą w organizacji, Oficyna Ekonomiczna, Kraków, 2002.
3. Larose D., T.: Odkrywanie wiedzy z danych. Wydawnictwo Naukowe PWN. 2013.
4. Cichosz P.: Systemy uczące się. Wydawnictwo Naukowo-Techniczne, 2000.
5. Chen Z.: Data Mining and Uncertain Reasoning. J.Wiley&Sons, N. York 2001.
6. Han J., Kamber M., Pej J.: Data Mining: Concepts and Techniques, Third Edition Morgan Kaufmann; 3 edition, San Diego, 2011.

Scientific publications of module course instructors related to the topic of the module:

1. Rębiasz B, Szulc W.: Wykorzystanie metod eksploracji danych do długookresowego prognozowania popytu na rynku dóbr przemysłowych. Hutnik Wiadomości Hutnicze, 2012, 79, nr 6, s. 427–433.
2. Maciol, A., Jedrusik, S., Rebiasz, B., 2013. Rule-based approach for supplier evaluation. In Computer Science and Information Systems (FedCSIS), 2013 Federated Conference on. pp. 1207–1214.
3. Gaweł B., Rębiasz B., Skalna I., Data mining methods for long-term forecasting of market demand for industrial goods, W: ISAT 2015: Information Systems Architecture and Technology: proceedings of the 36th international conference on Information Systems Architecture and Technology, Pt. IV, eds. Zofia Wilimowska [et al.], Switzerland: Springer International Publishing Switzerland, 2016.

Additional information:

Ogólne warunki uczestnictwa w zajęciach i uzyskiwania ocen określone są przez regulamin studiów AGH.