Module also offered within study programmes:
General information:
Name:
Metody wspomagania decyzji
Course of study:
2019/2020
Code:
GIKS-1-723-s
Faculty of:
Mining and Geoengineering
Study level:
First-cycle studies
Specialty:
-
Field of study:
Environmental Engineering
Semester:
7
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
prof. nadzw. dr hab. inż. Saramak Daniel (dsaramak@agh.edu.pl)
Module summary

W jaki sposób można podejmować najlepsze decyzje? Czy istnieją metody dzięki którym można wybrać najlepszy możliwy wariant? Jak nie dać się zmanipulować oraz jak wpływać na decyzje innych? Wykład z przedmiotu w sposób zwięzły przekazuje wiedzę na temat podstawowych metod wspomagających proces decyzyjny, sposobów zmniejszenia ryzyka podjęcia błędnych decyzji oraz uwarunkowań i czynników wpływających na podejmowanie decyzji przez jednostki i grupy decydentów. Omówione są podstawowe techniki i narzędzia wykorzystywane w procesach podejmowania decyzji

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 Student ma świadomość wagi rzetelnego przygotowania danych i zastosowanych metod optymalizacyjnych IKS1A_K03, IKS1A_K04, IKS1A_K01, IKS1A_K02 Execution of exercises,
Execution of a project,
Test,
Activity during classes
M_K002 Student ma świadomość istoty pracy zespołowej IKS1A_K03, IKS1A_K01 Execution of exercises,
Execution of a project,
Test,
Activity during classes
M_K003 Student ma świadomość konieczności poszerzania swojego warsztatu badawczego w badaniu analizowanych problemów IKS1A_K03, IKS1A_K04, IKS1A_K01, IKS1A_K02 Execution of exercises,
Execution of a project,
Test,
Activity during classes
Skills: he can
M_U001 Student potrafi obsługiwać podstawowe programy służące do optymalizacji (np. Excel) IKS1A_U03, IKS1A_U02, IKS1A_U05 Project,
Test,
Activity during classes
M_U002 Student potrafi samodzielnie wykonać projekt optymalizacyjny dla wybranego problemu IKS1A_U03, IKS1A_U02, IKS1A_U05 Project,
Test,
Activity during classes
M_U003 Student potrafi wskazywać problemy, które należy zoptymalizować w badanych zagadnieniach IKS1A_U03, IKS1A_U02, IKS1A_U05 Execution of a project,
Test,
Activity during classes
M_U004 Student potrafi wybrać odpowiednią metodę do określonego problemu IKS1A_U03, IKS1A_U02, IKS1A_U05 Project,
Test,
Activity during classes
Knowledge: he knows and understands
M_W001 Student umie precyzować określone zadania optymalizacyjne IKS1A_W03, IKS1A_W01, IKS1A_W05, IKS1A_W02 Execution of a project,
Activity during classes
M_W002 Student wie jakie są silne i słabe strony stosowanych technik optymalizacyjnych IKS1A_W03, IKS1A_W01, IKS1A_W05, IKS1A_W02 Project,
Test,
Activity during classes
M_W003 Student wie jak stosować podstawowe techniki optymalizacyjne IKS1A_W03, IKS1A_W01, IKS1A_W05, IKS1A_W02 Execution of a project,
Test,
Activity during classes
M_W004 Student wie w jaki sposób dobierać metody w zakresie rozpatrywanego zagadnienia optymalizacyjnego IKS1A_W03, IKS1A_W01, IKS1A_W05, IKS1A_W02 Project,
Test,
Activity during classes
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
30 15 0 15 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 Student ma świadomość wagi rzetelnego przygotowania danych i zastosowanych metod optymalizacyjnych + - + - - - - - - - -
M_K002 Student ma świadomość istoty pracy zespołowej - - + - - - - - - - -
M_K003 Student ma świadomość konieczności poszerzania swojego warsztatu badawczego w badaniu analizowanych problemów + - + - - - - - - - -
Skills
M_U001 Student potrafi obsługiwać podstawowe programy służące do optymalizacji (np. Excel) + - + - - - - - - - -
M_U002 Student potrafi samodzielnie wykonać projekt optymalizacyjny dla wybranego problemu + - + - - - - - - - -
M_U003 Student potrafi wskazywać problemy, które należy zoptymalizować w badanych zagadnieniach + - + - - - - - - - -
M_U004 Student potrafi wybrać odpowiednią metodę do określonego problemu + - + - - - - - - - -
Knowledge
M_W001 Student umie precyzować określone zadania optymalizacyjne + - + - - - - - - - -
M_W002 Student wie jakie są silne i słabe strony stosowanych technik optymalizacyjnych + - + - - - - - - - -
M_W003 Student wie jak stosować podstawowe techniki optymalizacyjne + - + - - - - - - - -
M_W004 Student wie w jaki sposób dobierać metody w zakresie rozpatrywanego zagadnienia optymalizacyjnego + - + - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 58 h
Module ECTS credits 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 10 h
Realization of independently performed tasks 15 h
Examination or Final test 2 h
Contact hours 1 h
Module content
Lectures (15h):

procesy decyzyjne i typy modeli decyzyjnych
Modele liniowe – metody rozwiązywania
Modele probabilistyczne i stochastyczne – zastosowania, przykłady rozwiązań
Decyzje w warunkach ryzyka i niepewności
Elementy teorii gier
Problemy wielokryterialne – AHP
Drzewa decyzyjne
Wspomaganie decyzji ekonomicznych (SWOT, BEP)
Sieci neuronowe i data mining

Laboratory classes (15h):

Ćwiczenia laboratoryjne są ilustracją treści wykładów.

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:

Zaliczenie ćwiczeń odbywa się na podstawie kolokwium zaliczeniowego obejmującego treści prezentowane na wykładach i ćwiczeniach. wykładów.

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 końcowa jest średnią z oceny z ćwiczeń laboratoryjnych oraz aktywności na wykładach. Przewiduje się kolokwium zaliczeniowe oraz wykonanie sprawozdania.

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

Dopuszczalne odrabianie zajęć z innymi grupami, pod warunkiem wcześniejszego ustalenia z prowadzącym.

Prerequisites and additional requirements:

Matematyka na poziomie I roku studiów

Recommended literature and teaching resources:

Miszczyński M., Programowanie liniowe. Elementy teorii i zadania, Wyd. Absolwent, Łódź, 1996
Rogalska D. (red.), Programowanie liniowe. Algorytmy i zadania, Wyd. UŁ, Łódź, 1998
Trzaskalik T., Wprowadzenie do badań operacyjnych z komputerem, PWE, Warszawa, 2003, 2008
Jędrzejczyk Z., Kukuła K., Skrzypek J., Walkosz A., Badania operacyjne w przykładach i zadaniach, WN PWN Warszawa, 2006.

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

1. Tumidajski T., Saramak D.: Modele i zadania statystyki matematycznej. Wyd. AGH, Kraków, 2009.
2. Tumidajski T., Foszcz D., Jamróż D., Niedoba T., Saramak D.: Niestandardowe metody statystyczne i obliczeniowe w opisie procesów przeróbki surowców mineralnych, Wydawnictwo IGSMiE PAN, 2009.
3. Tumidajski T., Saramak D., Niedoba T.: Matematyczne aspekty opisu i oceny wzbogacalności rud miedzi, Górnictwo i Geoinżynieria, vol. 31(4), pp. 97-106, 2007.
4. Kwiecień J., Pawul M.: Application of artificial neural networks to spring water quality prediction, Polish Journal of Environmental Studies, 2012 vol. 21 no. 5A, s. 271–275.

Additional information:

Dopuszczalna jest jedna nieobecność nieusprawiedliwiona na ćwiczeniach.
Forma kolokwium – kolokwium z zadań dotyczących zagadnień poruszanych na zajęciach. 2 terminy (1 podstawowy i 1 poprawkowy).