Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Data science dla e-commerce
Tok studiów:
2019/2020
Kod:
HIFS-1-204-s
Wydział:
Humanistyczny
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Informatyka Społeczna
Semestr:
2
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
inż. Grzeszczuk Rafał (grzeszcz@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Celem przedmiotu jest dostarczenie studentom niezbędnej wiedzy i umiejętności do przeprowadzenia analizy sieci społecznych.

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
Umiejętności: potrafi
M_U001 Student posiada umiejętność analizy konkretnych problemów i proponuje odpowiednie rozstrzygnięcia w tym zakresie, posiada umiejętność projektowania i wdrażania proponowanych rozwiązań w odniesieniu do analizy danych dla e-commerce IFS1P_U05 Udział w dyskusji,
Prezentacja,
Projekt
M_U002 Student potrafi dobierać właściwe narzędzia i korzystać z nich celem przeprowadzenia analiz precyzyjnie odpowiadających na postawione pytania. IFS1P_U09 Zaliczenie laboratorium
M_U003 Student potrafi wykorzystać wiedzę teoretyczną do analizy procesów biznesowych IFS1P_U01 Udział w dyskusji,
Projekt,
Prezentacja,
Aktywność na zajęciach,
Wykonanie projektu
Kompetencje społeczne: jest gotów do
M_K001 Student ma świadomość znaczenia danych typu big data w społeczeństwie informacyjnym IFS1P_K05 Aktywność na zajęciach
M_K002 Student potrafi pracować w grupie przy tworzeniu projektu i przygotowaniu prezentacji IFS1P_K01 Projekt,
Prezentacja,
Zaangażowanie w pracę zespołu,
Aktywność na zajęciach
M_K003 Student potrafi określić priorytety pracując nad wykonaniem projektu i jego prezentacją. IFS1P_K02 Projekt,
Prezentacja,
Aktywność na zajęciach
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
12 0 0 0 0 0 0 0 0 12 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
Umiejętności
M_U001 Student posiada umiejętność analizy konkretnych problemów i proponuje odpowiednie rozstrzygnięcia w tym zakresie, posiada umiejętność projektowania i wdrażania proponowanych rozwiązań w odniesieniu do analizy danych dla e-commerce - - - - - - - - + - -
M_U002 Student potrafi dobierać właściwe narzędzia i korzystać z nich celem przeprowadzenia analiz precyzyjnie odpowiadających na postawione pytania. - - - - - - - - + - -
M_U003 Student potrafi wykorzystać wiedzę teoretyczną do analizy procesów biznesowych - - - - - - - - + - -
Kompetencje społeczne
M_K001 Student ma świadomość znaczenia danych typu big data w społeczeństwie informacyjnym - - - - - - - - + - -
M_K002 Student potrafi pracować w grupie przy tworzeniu projektu i przygotowaniu prezentacji - - - - - - - - + - -
M_K003 Student potrafi określić priorytety pracując nad wykonaniem projektu i jego prezentacją. - - - - - - - - + - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 28 godz
Punkty ECTS za moduł 1 ECTS
Udział w zajęciach dydaktycznych/praktyka 12 godz
Przygotowanie do zajęć 16 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Zajęcia warsztatowe (12h):
  1. Zapoznanie ze stosowanymi w biznesie środowiskami do analizy danych
  2. Wstępne przetwarzanie danych, korzystanie z automatycznej ekstrakcji wartości
  3. Automatyzacja procesu pobierania danych
  4. Podstawy tworzenia zapytań analitycznych w językach zorientowanych na przepływ danych
  5. Przygotowywanie wizualizacji i raportów
Pozostałe informacje
Metody i techniki kształcenia:
  • Zajęcia warsztatowe: Nie określono
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Nieobecność jest trudna do nadrobienia. zaliczenie w kolejnych terminach będzie indywidualnie ustalane z prowadzącym

Zasady udziału w zajęciach:
  • Zajęcia warsztatowe:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Zajęcia są prowadzone w formie intensywnych kilkugodzinnych warsztatów.
Sposób obliczania oceny końcowej:

Ocena końcowa: 50% kolokwium i 50% projekt

Ocena grupowo wykonanego projektu 50%, zawiera:
Prezentacja wykonanego projektu 20%
Aktywny udział w zajęciach i pracach nad wykonaniem projektu 30%
Zaliczenie w formie kolokwium (na ostatnich zajęciach) 50% – obejmuje treści przedstawione na wykładzie i literaturę obowiązkową.

Obecność na wykładach nie jest obowiązkowa, na ćwiczeniach możliwe są dwie nieobecności.
Studenci nie realizujący projektu będą zaliczali ćwiczenia w sposób indywidualny.

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

Nieobecność jest trudna do nadrobienia, ponieważ warsztaty są ograniczone do jedynie krótkiej formy. Za każdym razem taka możliwość będzie ustalana bezpośrednio z prowadzącym.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

brak

Zalecana literatura i pomoce naukowe:

Literatura obowiązkowa:
1. D. Carasso, Exploring Splunk. Search Processing Language (SPL) Primer and Cookbook. Splunk Inc., CITO Research, 2012, online: https://www.splunk.com/goto/book

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

brak

Informacje dodatkowe:

brak