Uniwersytet Marii Curie-Skłodowskiej w Lublinie - Centralny System Uwierzytelniania
Strona główna

Data Science & Cloud Computing

Informacje ogólne

Kod przedmiotu: MFI-I.5Z.TAW.152
Kod Erasmus / ISCED: 11.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (brak danych)
Nazwa przedmiotu: Data Science & Cloud Computing
Jednostka: Wydział Matematyki, Fizyki i Informatyki
Grupy:
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
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.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Marii Curie-Skłodowskiej w Lublinie.
kontakt deklaracja dostępności USOSweb 7.0.2.0-3dcdfd8c8 (2024-03-25)