Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Statystyczna analiza danych
Tok studiów:
2019/2020
Kod:
ZIIE-1-504-n
Wydział:
Zarządzania
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Informatyka i Ekonometria
Semestr:
5
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Niestacjonarne
Prowadzący moduł:
dr Wolak Jacek (jwolak@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Moduł zawiera wybrane treści dot. wielowymiarowej analizy statystycznej. Jego celem jest poznanie technik statystycznych i narzędzi informatycznych, które pomagają zrozumieć zależności wielowymiarowe.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 poznane statystyczne metody analizy danych w bad. ekonomicznych IIE1A_W04, IIE1A_W03 Wykonanie projektu
Umiejętności: potrafi
M_U001 właściwie interpretować wyniki uzyskane w zakresie klasyfikacji i dyskryminacji IIE1A_U07, IIE1A_U04 Wykonanie projektu
M_U002 skutecznie stosować wybrane metody wielowymiarowej analizy danych IIE1A_U07, IIE1A_U04 Wykonanie projektu
Kompetencje społeczne: jest gotów do
M_K001 samodzielnego uzupełniania wiedzy z wykorzystaniem różnych źródeł informacji IIE1A_K03 Wykonanie projektu
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
16 8 0 0 8 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 poznane statystyczne metody analizy danych w bad. ekonomicznych + - - - - - - - - - -
Umiejętności
M_U001 właściwie interpretować wyniki uzyskane w zakresie klasyfikacji i dyskryminacji - - - + - - - - - - -
M_U002 skutecznie stosować wybrane metody wielowymiarowej analizy danych - - - + - - - - - - -
Kompetencje społeczne
M_K001 samodzielnego uzupełniania wiedzy z wykorzystaniem różnych źródeł informacji - - - + - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 75 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 16 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 30 godz
Samodzielne studiowanie tematyki zajęć 29 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (8h):
  1. 1. Podstawowe zagadnienia analizy danych.
    2. Wybrane modele analizy wariancji (m.in. ANOVA, MANOVA i ANCOVA).
    3. Analiza skupień (metody hierarchiczne i podziałowe).
    4. Porządkowanie liniowe.
    5. Liniowa analiza dyskryminacyjna (LDA).

  2. 1. Podstawowe zagadnienia statystycznej analizy danych (m.in. rodzaje zmiennych, przygotowanie danych do badania).
    2. Wybrane modele analizy wariancji (m.in. ANOVA, MANOVA i ANCOVA).
    3. Analiza skupień (metody hierarchiczne i podziałowe).
    4. Porządkowanie liniowe (wybrane metody wzorcowe i bezwzorcowe)
    5. Liniowa i kwadratowa analiza dyskryminacyjna (LDA i QDA).

Ćwiczenia projektowe (8h):
  1. 1. Wprowadzenie do pakietu R i do pakietu Statistica
    2. Wykorzystanie narzędzi informatycznych do przeprowadzania wielowymiarowej analizy danych w badaniach ekonomicznych
    a. Modele klasy ANOVA,
    b. analiza skupień (hierarchiczna i podziałowa),
    c. porządkowanie liniowe,
    d. liniowa analiza dyskryminacyjna.

  2. 1. Wprowadzenie do pakietu R.
    2. Wykorzystanie narzędzi informatycznych do przeprowadzania wielowymiarowej analizy danych w badaniach ekonomicznych
    a. Modele klasy ANOVA,
    b. analiza skupień (hierarchiczna i podziałowa),
    c. porządkowanie liniowe,
    d. liniowa i kwadratowa analiza dyskryminacyjna.

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia projektowe: Studenci wykonują zadany projekt samodzielnie, bez większej ingerencji prowadzącego. Ma to wykształcić poczucie odpowiedzialności za pracę w grupie oraz odpowiedzialności za podejmowane decyzje.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Ocena dwóch projektów wykonywanych na ćwiczeniach i przesyłanych terminowo prowadzącemu poprzez platformę UPEL. Każdy projekt jest oceniany w skali 0-25 pkt (0-20 pkt za wykonanie projektu i 0-5 pkt za wystawione recenzje). Uzyskanie zaliczenia w pierwszym terminie następuje na podstawie liczby punktów z w/w projektów (wg Regulaminu Studiów AGH).

W przypadku nieuzyskania zaliczenia w terminie I, student otrzymuje do wykonania dodatkowy projekt (obejmujący cały materiał), który będzie oceniany w skali 0-50 pkt. Ocena z zaliczenia będzie wystawiana na podstawie liczby uzyskanych punktów (wg Regulaminu Studiów AGH).

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: 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.
  • Ćwiczenia projektowe:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują prace praktyczne mające na celu uzyskanie kompetencji zakładanych przez syllabus. Ocenie podlega sposób wykonania projektu oraz efekt końcowy.
Sposób obliczania oceny końcowej:
  • Ocena końcowa jest oceną z zaliczenia ćw. projektowych.
  • W przypadku zaliczania przedmiotu w terminie poprawkowym, ocena końcowa jest średnią arytmetyczną ocen uzyskanych z zaliczenia w każdym terminie.
Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:
  • Obecność na zajęciach nie jest obowiązkowa.
  • W przypadku nieobecności student jest zobowiązany do nadrobienia zaległości w ramach pracy własnej (w tym do wysłania projektów na platformę UPEL w ustalonych przez prowadzącego terminach).
Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Zaliczenie przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna
Podstawowa znajomość programowania w R

Zalecana literatura i pomoce naukowe:

1 Balicki Andrzej: „Statystyczna analiza wielowymiarowa i jej zastosowania społeczno-ekonomiczne”, Wydawnictwo UG, Gdańsk, 2009
2 James G. i in.: „An Introduction to Statistical Learning with Applications
in R”, Springer Science, New York, 2013
3 Stanisz Andrzej: „Przystępny kurs statystyki z zastosowaniem Statistica PL
na przykładach z medycyny”, Statsoft, Kraków, 2007.
4 Walesiak M., Gatnar E. (red): Statystyczna analiza danych z wykorzystaniem programu R, Wydawnictwo Naukowe PWN, Warszawa 2009.
5 Walesiak M., Metody analizy danych marketingowych, Wydawnictwo Naukowe PWN, Warszawa 1996.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Haładus Kinga, Wolak Jacek, Segmentacja rynku jednoobiektywowych lustrzanek cyfrowych z wykorzystaniem technik wielowymiarowej analizy danych, Krakow conference of young scientists 2015, Krakow, September 23-26, 2015

Informacje dodatkowe:

nie dotyczy