Module also offered within study programmes:
General information:
Name:
Knowledge Management
Course of study:
2019/2020
Code:
ZZIP-2-102-n
Faculty of:
Management
Study level:
Second-cycle studies
Specialty:
-
Field of study:
Management and Production Engineering
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Part-time studies
Responsible teacher:
dr inż. Rębiasz Bogdan (brebiasz@zarz.agh.edu.pl)
Module summary

Celem modułu jest zapoznanie studentów z metodami zarządzania wiedzą. Moduł prezentuje pojęcie i
klasyfikację zasobów wiedzy w przedsiębiorstwie, definiuje podstawowe procesy zarządzania wiedzą
oraz metody mierzenia zasobów wiedzy w przedsiębiorstwie. Ponadto przedstawia zagadnienia z
zakresu pozyskiwania wiedzy z danych z wykorzystaniem metod grupowania, klasyfikacji
oraz definiowania asocjacji. Omawia także zagadnienia wstępnego przygotowania danych do
przetwarzania.

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: is able to
M_K001 potrafi ocenić rolę i znaczenie zasobów wiedzy dla rozwoju przedsiębiorstwa ZIP2A_K01 Test,
Presentation
M_K002 ma świadomość ciągłej potrzeby doskonalenia systemów zarządzania wiedzą w przedsiębiorstwie i aktualizowania swojej wiedzy o nowe metody eksploracji danych ZIP2A_K03 Test,
Presentation
Skills: he can
M_U001 potrafi wykonywać analizy z wykorzystaniem metod eksploracji danych oraz interpretować uzyskane wyniki i wyciągać wnioski ZIP2A_U03 Presentation,
Test
Knowledge: he knows and understands
M_W001 definiuje zasoby wiedzy w przedsiębiorstwie oraz opisuje procesy zarządzania wiedzą w przedsiębiorstwie ZIP2A_W05, ZIP2A_W07 Test
M_W002 klasyfikuje współczesne koncepcje zarządzania wiedzą oraz definiuje metody pomiaru zasobów wiedzy przedsiębiorstwa ZIP2A_W06, ZIP2A_W07 Test
M_W003 opisuje podstawowe metody eksploracji danych oraz metody reprezentacji wiedzy ZIP2A_W02, ZIP2A_W05 Test,
Presentation
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
16 8 0 8 0 0 0 0 0 0 0 0
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
Prace kontr. przejść.
Lektorat
Social competence
M_K001 potrafi ocenić rolę i znaczenie zasobów wiedzy dla rozwoju przedsiębiorstwa + - + - - - - - - - -
M_K002 ma świadomość ciągłej potrzeby doskonalenia systemów zarządzania wiedzą w przedsiębiorstwie i aktualizowania swojej wiedzy o nowe metody eksploracji danych + - - - - - - - - - -
Skills
M_U001 potrafi wykonywać analizy z wykorzystaniem metod eksploracji danych oraz interpretować uzyskane wyniki i wyciągać wnioski + - + - - - - - - - -
Knowledge
M_W001 definiuje zasoby wiedzy w przedsiębiorstwie oraz opisuje procesy zarządzania wiedzą w przedsiębiorstwie + - - - - - - - - - -
M_W002 klasyfikuje współczesne koncepcje zarządzania wiedzą oraz definiuje metody pomiaru zasobów wiedzy przedsiębiorstwa + - - - - - - - - - -
M_W003 opisuje podstawowe metody eksploracji danych oraz metody reprezentacji wiedzy + - + - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 50 h
Module ECTS credits 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 16 h
Preparation for classes 9 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 15 h
Realization of independently performed tasks 10 h
Module content
Lectures (8h):

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 (8h):

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.

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Laboratory classes: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Warunkiem zaliczenia przedmiotu jest uczestnictwo w ćwiczeniach laboratoryjnych, zrealizowania
wszystkich zadań zlecanych przez prowadzącego oraz pozytywne oceny z kolokwium zaliczeniowego i
prezentacji projektu. Każdemu studentowi przysługują dwa terminy poprawkowe zaliczenia.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
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

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Nieobecności na zajęciach (ćwiczenia laboratoryjne) mogą być odrobione w innym terminie. W razie braku
takich możliwości odrobienie zaległości może być zrealizowane przez wykonanie zadań zleconych przez
prowadzącego.

Prerequisites and additional requirements:

Prerequisites and additional requirements not specified

Recommended literature and teaching resources:

Literatura
1. Trajer J., Paszek A., Iwan S.: Zarządzanie wiedzą. 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. 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, cop. 2016 – Advances in Intelligent Systems and Computing., pp.. 3–13.
2. Maciol, A., Jedrusik, S., Rebiasz, B., Rule-based approach for supplier evaluation. In Computer Science and Information Systems (FedCSIS), 2013 Federated Conference on. pp. 1207–1214.
3. 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.

Additional information:

None