Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Statystyczne modelowanie i analiza danych w badaniach naukowych
Tok studiów:
2019/2020
Kod:
ZSDA-3-0150-s
Wydział:
Szkoła Doktorska AGH
Poziom studiów:
Studia III stopnia
Specjalność:
-
Kierunek:
Szkoła Doktorska AGH
Semestr:
0
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
prof. nadzw. dr hab. inż. Saramak Daniel (dsaramak@agh.edu.pl)
Dyscypliny:
inżynieria chemiczna, inżynieria lądowa i transport, inżynieria materiałowa, inżynieria środowiska, górnictwo i energetyka
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Student nabędzie wiedzę i umiejętności w zakresie wykorzystanie technik i programów komputerowych do analizy danych przemysłowych oraz modelowanie operacji technologicznych w górnictwie i przeróbce surowców mineralnych. Student nabędzie umiejętności tworzenia raportów produkcyjnych związanych z oceną efektywnością przebiegu procesu przemysłowego oraz eksploracji danych.

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 PhD Students gain knowledge related to process data analysis SDA3A_W03, SDA3A_W01 Aktywność na zajęciach
M_W002 PhD Students know techniques of mining and mineral processing modeling SDA3A_W03 Aktywność na zajęciach
Umiejętności: potrafi
M_U001 PhD Student is able to run statistical analysis of the problem on the basis of empirical process data SDA3A_U03, SDA3A_U01 Wykonanie ćwiczeń laboratoryjnych,
Wykonanie projektu,
Aktywność na zajęciach
Kompetencje społeczne: jest gotów do
M_K001 PhD Student is aware of the need of statistical description and modeling of mining and mineral processing, aiming at better understanding of analysed problems SDA3A_K01, SDA3A_K03 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
60 30 0 15 15 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 PhD Students gain knowledge related to process data analysis + - - - - - - - - - -
M_W002 PhD Students know techniques of mining and mineral processing modeling + - + + - - - - - - -
Umiejętności
M_U001 PhD Student is able to run statistical analysis of the problem on the basis of empirical process data - - + + - - - - - - -
Kompetencje społeczne
M_K001 PhD Student is aware of the need of statistical description and modeling of mining and mineral processing, aiming at better understanding of analysed problems + - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 103 godz
Punkty ECTS za moduł 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 60 godz
Przygotowanie do zajęć 20 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 10 godz
Samodzielne studiowanie tematyki zajęć 10 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 1 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (30h):

- Descriptive statistics used in analysis of process data.
- Data mining
- Statistical models of process run
- Contemporary models and trends in mineral prrocessing and mining modelling
- economic and technological assessment of models

Ćwiczenia laboratoryjne (15h):

During laboratory classes PhD Students undergo practical analyse, application and development of issues and topics given on lectures.

Ćwiczenia projektowe (15h):

Practical projects based on individual research area of PhD Students and issues presented during lectures

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Nie określono
  • Ćwiczenia laboratoryjne: Nie określono
  • Ćwiczenia projektowe: Nie określono
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Final mark from project: on the basis of prepared statistical analysis of given problem. In case of unsuccesful score it is possible to provide another analysis or to improve the one assessed as negative.
Final mark from lectures: on the basis of PhD Student activity. In case of problems with obtaining a positive score, PhD student is obliged to pass a short test related to issues presented during lectures.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: Nie określono
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
  • Ćwiczenia projektowe:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
Sposób obliczania oceny końcowej:

Final mark: arithmetic value of mark from project, laboratory classes and lectures.

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

Self-study of missed topic(s)

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Basic knowledge of statistics

Zalecana literatura i pomoce naukowe:

1. Sobczyk: Statystyka, PWN Warszawa, 2005
2. Krysicki i in.: Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, cz.2
3. Greń: Statystyka matematyczna, modele i zadania. PWN, 1974

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Tumiadajski T., Saramak D.: Metody i modele statystyki matematycznej w przeróbce mineralnych, Wydawnictwo AGH, 2009.
2. Foszcz D., Saramak D., Tumidajski T., Niedoba T., Gawenda T.: Możliwości poprawy dokładności aproksymacji krzywych składu materiałów uziarnionych, Possibilities of adjusting the adequacy of grained materials particle size distribution approximation, Górnictwo i Geoinżynieria Akademia Górniczo-Hutnicza im. Stanisława Staszica, Kraków; ISSN 1732-6702. Tyt. poprz.: Górnictwo (Kraków). 2010 R. 34 z. 4/1 s. 37–47
3. Tumidajski T., Foszcz D., Jamróz D., Niedoba T., Saramak D.: Niestandardowe metody statystyczne i obliczeniowe w opisie procesów przeróbki surowców mineralnych, (Non classical statistical and calculation methods in mineral processing description). Instytut Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk., Kraków: Wydawnictwo IGSMiE PAN, 2009. 125 s.. ISBN 978-83-60195-62-

Informacje dodatkowe:

brak