Data Science & Cloud Computing
Informacje ogólne
Kod przedmiotu: | MFI-I.5Z.TAW.152 |
Kod Erasmus / ISCED: |
11.3
|
Nazwa przedmiotu: | Data Science & Cloud Computing |
Jednostka: | Wydział Matematyki, Fizyki i Informatyki |
Grupy: | |
Punkty ECTS i inne: |
(brak)
|
Język prowadzenia: | polski |
Godzinowe ekwiwalenty punktów ECTS: | Czas pracy z udziałem nauczycieli: 60 godzin – 2 pkt Praca z literaturą: 45 godzin - 1.5 pkt Przygotowanie do laboratorium: 75 godzin - 2.5 pkt Projekt zaliczeniowy: 30 godzin – 1 pkt Przygotowanie do egzaminu: 30 godzin – 1 pkt Sumaryczna liczba punktów ECTS dla modułu 8 pkt W tym liczba punktow ECTS za godziny kontaktowe z bezpośrednim udziałem nauczyciela akademickiego - 2 punktow ECTS. W tym liczba punktow ECTS za godziny realizowane w formie samodzielnej pracy studenta - 6 punktow ECTS. |
Sposób weryfikacji efektów kształcenia: | Egzamin: W1,W2,W3,W4,K1,U1,U2,U3,U4 |
Pełny opis: |
Przedmiotem pierwszej części kursu są metody umożliwiające analizę i zrozumienie danych (przede wszystkim statystyczne) i podejmowanie decyzji w oparciu o zgromadzoną w ten sposób wiedzę. W ramach przedmiotu zostaną przedstawione podstawy teoretyczne wybranych procedur statystycznych oraz ich praktyczne zastosowanie z wykorzystaniem języka R na prawdziwych problemach i zbiorach danych zgromadzonych w portfolio firmy Transition Technologies S.A. oraz wybranych zbiorach danych dostępnych publicznie. Wykłady oraz zajęcia w laboratorium będą zsynchronizowane w taki sposób, że odpowiednie treści najpierw pojawiać się będą na wykładzie, a potem ćwiczone będą w ramach zajęć laboratoryjnych. Ćwiczenia odbywać się będą przy wykorzystaniu języka R (https://www.r-project.org/). Celem drugiej części zajęć jest zastosowanie w praktyce zasad działania chmury obliczeniowej opartej na modelu PaaS (Platform as a Service) oraz wykazanie zalet tego rozwiązania. Wykład ma za zadanie przedstawić najważniejsze rozwiązania na modelu PaaS. Ćwiczenia będą poświęcone głównie chmurze Force.com |
Literatura: |
• Biecek, P. (2017). Przewodnik po pakiecie R. Wrocław: Oficyna Wydawnicza "GIS." • Dalgaard, P. (2011). Introductory statistics with R. Milton Keynes UK: Lightning Source UK Ltd. • Wickham, H. (2017). Advanced R. [S.l.]: CRC PRESS. • Wickham, H., Grolemund, G. (2017). R for data science (1st ed.). Canada: O’Reilly. • Salesforce Developers Press – Force.com Fundamentals • Salesforce Developers Press – Visualforce in Practice |
Efekty uczenia się: |
Wiedza: W1: Definiuje kluczowe zagadnienia charakteryzujące metodyki analizy zbiorów danych - K_W01 W2: Charakteryzuje kluczowe podejścia analizy zbiorów danych - K_W02, K_W03 W3: Charakteryzuje metody, techniki, standardy i narzędzia analizy zbiorów danych - K_W07 W4: Wnioskuje na temat standardów i trendów technologicznych w zakresie analizy zbiorów danych - K_W08 Umiejętności: U1: Poddaje krytyce zastosowane podejścia analizy zbiorów danych - K_U01 U2: Dobiera rutynowe metody i narzędzia służące do analizy zbiorów danych - K_U02 U3: Potrafi przeanalizować kod źródłowy pod kątem analizy zbiorów danych - K_U03 U4: Dobiera odpowiednie źródła informacji podczas analizy zbiorów danych- K_U05, K_U07 Kompetencje: K1: Ma świadomość konieczności testowania oprogramowania z wytyczonymi przez rynek standardami analizy zbiorów danych - K_K01 |
Metody i kryteria oceniania: |
Pozytywna ocena z indywidualnego projektu końcowego. |
Właścicielem praw autorskich jest Uniwersytet Marii Curie-Skłodowskiej w Lublinie.