Studia podyplomowe: Zaawansowane metody analizy danych i Data Mining w biznesie

Możliwość dofinansowania
Logo Uniwersytet Warmińsko-Mazurski w Olsztynie
Uniwersytet Warmińsko-Mazurski w Olsztynie

Studia podyplomowe: Zaawansowane metody analizy danych i Data Mining w biznesie

Numer usługi 2024/05/09/12141/2145292
6 900,00 PLN
brutto
6 900,00 PLN
netto
32,86 PLN
brutto/h
32,86 PLN
netto/h
zdalna w czasie rzeczywistym
Studia podyplomowe
210 h
26.10.2024 do 08.06.2025
0 zapisanych uczestników
Obserwuj
Zapisz się
Pobierz kartę usługi w PDF
Informacje podstawowe

Informacje podstawowe

  • Kategoria
    Informatyka i telekomunikacja / Programowanie
  • Sposób dofinansowania
    wsparcie dla osób indywidualnych
    wsparcie dla pracodawców i ich pracowników
  • Grupa docelowa usługi

    Studia skierowane są do przedsiębiorców i pracowników, w szczególności: banków, instytucji ubezpieczeniowych, przedsiębiorstw handlowych, produkcyjnych, ośrodków przetwarzania informacji oraz ośrodków badania opinii społecznej, firm prowadzących badania kliniczne, instytucji administracji państwowej samorządowej.

  • Minimalna liczba uczestników
    10
  • Maksymalna liczba uczestników
    15
  • Data zakończenia rekrutacji
    25-10-2024
  • Forma prowadzenia usługi
    zdalna w czasie rzeczywistym
  • Liczba godzin usługi
    210
  • Podstawa uzyskania wpisu do BUR
    art. 163 ust. 1 ustawy z dnia 20 lipca 2018 r. Prawo o szkolnictwie wyższym i nauce (t.j. Dz. U. z 2023 r. poz. 742, z późn. zm.)
  • Zakres uprawnień
    Studia podyplomowe

Cel

Cel edukacyjny
Celem studiów jest zapoznanie słuchaczy z najbardziej popularnymi technikami, algorytmami, narzędziami i oprogramowaniem stosowanym w Data Science oraz w Big Data.

Usługa Zaawansowane metody analizy danych i Data Mining w biznesie przygotowuje do samodzielnego wykonywania przetwarzania, analizy i wizualizacji danych, tworzenia modeli predykcyjnych oraz analizy dużych zbiorów danych.
Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
Efekty uczenia się Kryteria weryfikacji Metoda walidacji
Efekty uczenia się
Programuje w wybranym języku programowania
Kryteria weryfikacji
Charakteryzuje metody i techniki programowania;
Stosuje techniki obliczeniowe oraz techniki programowania, wspomagające pracę analityka;
Dokonuje ilustracji obliczeń symbolicznych za pomocą pakietów oprogramowania;
Projektuje i uzasadnia poprawność działania programu z uwzględnieniem złożoności algorytmów i zapisuje go w języku wysokiego poziomu;
Rozumie ograniczenia własnej wiedzy i umiejętności, odczuwa potrzebę dalszego kształcenia, w tym zdobywania wiedzy pozadziedzinowej
Metoda walidacji
Obserwacja w warunkach symulowanych
Metoda walidacji
Obserwacja w warunkach rzeczywistych
Efekty uczenia się
Tworzy i zarządza systemami baz danych
Kryteria weryfikacji
Wymienia zasady dotyczące projektowania, tworzenia i zarządzania systemami baz danych;
Posługuje się właściwie dobranymi środowiskami programistycznymi do projektowania, tworzenia, modyfikacji i zarządzania bazami danych;
Analizuje złożoność struktur i baz danych, proponuje stosowne procedury, ocenia ich poprawność oraz implementuje je w wybranym języku programowania;
Ocenia możliwości wykorzystania dotychczasowych osiągnięć technologii w swoim zawodzie
Metoda walidacji
Obserwacja w warunkach rzeczywistych
Metoda walidacji
Obserwacja w warunkach symulowanych
Efekty uczenia się
Stosuje metody i techniki sztucznej inteligencji;
Przygotowuje i buduje model uczenia maszynowego
Kryteria weryfikacji
Wymienia zasady dotyczące reprezentowania wiedzy oraz mechanizmów klasyfikujących;
Podaje przykłady ilustrujące konkretne pojęcia matematyczne;
Stosuje techniki obliczeniowe oraz techniki programowania, wspomagające pracę analityka;
Dokonuje ilustracji obliczeń symbolicznych za pomocą pakietów oprogramowania;
podaje różne przykłady rozkładów prawdopodobieństwa dyskretnych i ciągłych i omawia wybrane eksperymenty losowe oraz modele matematyczne, w jakich te rozkłady występują;
Posługuje się charakterystykami statystycznymi populacji i ich odpowiednikami próbkowymi;
Projektuje i uzasadnia poprawność działania programu z uwzględnieniem złożoności algorytmów i zapisuje go w języku wysokiego poziomu;
Implementuje poznane algorytmy w zakresie zagadnień związanych z wizualizacją komputerową;
Metoda walidacji
Obserwacja w warunkach rzeczywistych
Metoda walidacji
Obserwacja w warunkach symulowanych
Efekty uczenia się
Stosuje wybrane modele matematyczne i techniki eksploracji do rozwiązywania wybranych zadań analizy danych;
Dokonuje wizualizacji danych za pomocą wybranego oprogramowania
Kryteria weryfikacji
Definiuje pojęcia matematyczne z zakresu algebry i statystyki;
Podaje przykłady ilustrujące konkretne pojęcia matematyczne;
Definiuje pojęcia dotyczące wizualizacji danych na komputerze;
Dobiera odpowiedni model statystyczny do analizy danych oraz implementuje go w praktyce przy pomocy oprogramowania;
Podaje różne przykłady rozkładów prawdopodobieństwa dyskretnych i ciągłych i omawia wybrane eksperymenty losowe oraz modele matematyczne, w jakich te rozkłady występują;
Posługuje się charakterystykami statystycznymi populacji i ich odpowiednikami próbkowymi;
Implementuje poznane algorytmy w zakresie zagadnień związanych z wizualizacją komputerową;
Rozumie ograniczenia własnej wiedzy i umiejętności, odczuwa potrzebę dalszego kształcenia, w tym zdobywania wiedzy pozadziedzinowej
Metoda walidacji
Obserwacja w warunkach rzeczywistych
Metoda walidacji
Obserwacja w warunkach symulowanych
Efekty uczenia się
Korzysta z wybranych technik i narzędzi przetwarzania dużych zbiorów danych w celu pozyskania z nich informacji i wiedzy;
Kryteria weryfikacji
Prezentuje techniki obliczeniowe oraz techniki programowania, wspomagające pracę analityka;
Dobiera odpowiedni model statystyczny do analizy danych oraz implementuje go w praktyce przy pomocy oprogramowania;
Pracuje z odbiorcami tworzonych rozwiązań informatycznych i analitycznych, aktywnie uczestniczy w dyskusji o potrzebach, możliwych rozwiązaniach i zasadach pozyskania, przetwarzania danych oraz ich wykorzystania;
Ocenia możliwości wykorzystania dotychczasowych osiągnięć technologii w swoim zawodzie;
Zachowuje się w sposób profesjonalny, przestrzega zasad etyki zawodowej i poszanowania różnorodności poglądów;
uznaje zawód informatyka oraz analityka danych jako rolę społeczną i uwzględnia problemy związane z poufnością danych;
Komunikuje się ze specjalistami w swojej dziedzinie
Metoda walidacji
Obserwacja w warunkach rzeczywistych
Metoda walidacji
Obserwacja w warunkach symulowanych

Kwalifikacje

Kompetencje
Usługa prowadzi do nabycia kompetencji.
Warunki uznania kompetencji
Pytanie 1. Czy dokument potwierdzający uzyskanie kompetencji zawiera opis efektów uczenia się?
Do świadectwa ukończenia studiów podyplomowych absolwent otrzymuje jako załącznik zaświadczenie zawierające opis efektów uczenia się w zakresie wiedzy, umiejętności oraz kompetencji społecznych. Po ukończeniu studiów uzyskuje kwalifikacje cząstkowe na poziomie 7 PRK
Pytanie 2. Czy dokument potwierdza, że walidacja została przeprowadzona w oparciu o zdefiniowane w efektach uczenia się kryteria ich weryfikacji?
Do świadectwa ukończenia studiów podyplomowych absolwent otrzymuje jako załącznik zaświadczenie zawierające informację o przeprowadzeniu walidacji w oparciu o zdefiniowane w efektach uczenia się kryteria ich weryfikacji.
Pytanie 3. Czy dokument potwierdza zastosowanie rozwiązań zapewniających rozdzielenie procesów kształcenia i szkolenia od walidacji?
Do świadectwa ukończenia studiów podyplomowych absolwent otrzymuje jako załącznik zaświadczenie zawierające informację o rozdzieleniu procesu kształcenia od walidacji oraz nazwisko osoby przeprowadzającej walidację studiów.

Program

110 godz.dyd. w semestrze zimowym, 100 godz.dyd. w semestrze  letnim*   (godzina dydaktyczna = 45 minut).

Forma wszystkich zajęć ćwiczenia laboratoryjne

Zjazdy sobotnio-niedzielne online w czasie rzeczywistym na platformie Google Workspace. 

Ramowy program usługi

Wprowadzenie do narzędzi analitycznych (35 ćw.)

Instalacja i konfiguracja środowiska pracy.
Podstawowe elementy języka Python: organizacja kodu, podstawowe typy danych, instrukcje warunkowe, pętle.
Organizacja kodu: funkcje, moduły, pakiety oraz dokumentacja kodu.
Wprowadzenie do narzędzia Jupyter Notebook.
Podstawowe wykorzystanie pakietów pandas, matplotlib oraz seaborn w środowisku Jupyter Notebook.
Język znaczników Markdown.
Wykorzystanie systemu kontroli wersji Git

Eksploracja i wizualizacja danych (20 ćw.)

Wczytywanie danych z różnych źródeł.
Przetwarzanie zbiorów - zmiany formatu, brakujące wartości, przekształcanie itp.
Eksploracja danych - filtrowanie, sortowanie, agregacja (biblioteki numpy, pandas).
Wizualizacja danych - przegląd najpopularniejszych bibliotek (matplotlib, seaborn, plotly, bokeh, altair).

Bazy danych (35 ćw.)

Relacyjne bazy danych - język SQL.
Nierelacyjne bazy danych – Cassandra.
Integracja Python z bazami danych.
Programowanie baz danych PL/SQL.

Elementy data mining (20 ćw.)

  1. Importowanie danych
  2. Praca z modelem danych
  3. Wizualizacja danych
  4. Power BI Service.

Bazy i źródła danych (20 ćw.)

Wprowadzenie do standardu CRISP-DM.
Podstawowe metody statystyczne:
− badanie rozkładu klas decyzyjnych,
− częstości wartości,
− miary rozproszenia, tendencji centralnej,
− obliczanie korelacji pomiędzy zmiennymi oraz wpływu atrybutów warunkowych na klasę decyzyjną (positive ratio).
Wybrane techniki pracy z danymi:
− standaryzacja,
− normalizacja,
− uzupełnianie uszkodzonych danych,
− konwersja wartości symbolicznych do numerycznych.
Analiza sygnałów i szeregów czasowych
Podstawowe metody regresji liniowej i nieliniowej oraz prognozowania szeregów czasowych.
Przetwarzanie danych tekstowych: normalizacja i wektoryzacji.
Zastosowanie języka Python do eksploracji, analizy i przetwarzania danych

Programowanie zaawansowane (20 ćw.)

Moduły i pakiety.
Obsługa plików.
Dekoratory.
Wyrażenia lambda.
Usuwanie błędów, testowanie.
Wyrażenia regularne.

Wprowadzenie do uczenia maszynowego (30 ćw.)

Uczenie nadzorowane i regresja liniowa.
Statystyki Bayesowskie.
Drzewa decyzyjne.
Uczenie nienadzorowane.
Sieci neuronowe.
Modele generatywne i autokodery

Uczenie maszynowe w praktyce (20 ćw.)

Algorytmy i metody uczenia modeli głębokich.
Wybrane problemy klasyfikacji, detekcji, regresji.

Wprowadzenie do Big Data (30 ćw.)

Wprowadzenie do Big Data.
Architektura i technologie Big Data.
Platforma Apache Hadoop.
Podstawy Apache Spark.
Batchowe i strumieniowe przetwarzanie danych.
Budowa przepływów danych z użyciem Apache Airflow.
Uczenie maszynowe w Big Data

Harmonogram

Liczba przedmiotów/zajęć: 0
Przedmiot / temat zajęćData realizacji zajęćGodzina rozpoczęciaGodzina zakończeniaLiczba godzin
Brak wyników.

Cena

Cennik
  • Rodzaj ceny
    Cena
  • Koszt przypadający na 1 uczestnika brutto
    6 900,00 PLN
  • Koszt przypadający na 1 uczestnika netto
    6 900,00 PLN
  • Koszt osobogodziny brutto
    32,86 PLN
  • Koszt osobogodziny netto
    32,86 PLN

Prowadzący

Liczba prowadzących: 3
1 z 3
Krzysztof Ropiak
mgr matematyki, asystent na Wydziale Matematyki i Informatyki UWM w Olsztynie. Prowadzi zajęcia na I i II stopniu na kierunku informatyka od 2010r.
2 z 3
Tomasz Krzywicki
Obszar specjalizacji: mgr inż. informatyki
Doświadczenie zawodowe: asystent WMiI UWM w Olsztynie
Doświadczenie w świadczeniu tego typu usług: prowadzenie zajęć na studiach I i II stopnia na kierunku informatyka (od 2019r.), prowadzenie zajęć na studiach podyplomowych Data science w praktyce, Data science w Python, Zaawansowane technologie informatyczne
Wykształcenie: mgr inż. informatyki
3 z 3
Paweł Drozda
Dr informatyki, adiunkt na Wydziale Matematyki i Informatyki UWM w Olsztynie. Prowadzi zajęcia na studiach I i II stopnia na kierunku informatyka (od 2005r.), prowadzi zajęcia na studiach podyplomowych Data science w praktyce.
Prowadzenie szkoleń Statystyka, bazy danych, MS Office, analiza danych.

Informacje dodatkowe

Informacje o materiałach dla uczestników usługi

materiały dydaktyczne udostępniane w postaci elektronicznej:

- skrypty z opisem teorii

- prezentacje w formie slajdów

- zadania z rozwiązaniami

- kody skryptów w językach programowania

Warunki uczestnictwa

Warunkiem ubiegania się o przyjęcia na studia podyplomowe jest posiadanie dyplomu ukończenia studiów co najmniej pierwszego stopnia dowolnego kierunku.

Informacje dodatkowe

110 godz.dyd. w semestrze zimowym, 100 godz.dyd. w semestrze  letnim*

*godzina dydaktyczna = 45 minut

Kadra:

dr hab. Adam Lecko, prof. UWM - Kierownik studiów

dr Paweł Drozda (Katedra Metod Matematycznych Informatyki WMiI UWM w Olsztynie)

mgr Krzysztof Ropiak (Katedra Metod Matematycznych Informatyki WMiI UWM w Olsztynie)

mgr inż. Tomasz Krzywicki (Katedra Metod Matematycznych Informatyki WMiI UWM w Olsztynie)

mgr inż. Michał Korpusik 

mgr inż. Paweł Procaj

Usługa jest rejestrowana na potrzeby usługodawcy i korzystającego z usługi jak również na potrzeby monitoringu, kontroli oraz w celu utrwalenia efektów kształcenia

Warunki techniczne

  1. platforma / rodzaj komunikatora, za pośrednictwem której prowadzona będzie usługa

Przeglądarka internetowa Chrome lub Firefox w aktualnych wersjach dostępnych na stronach internetowych producenta / pakiet Google Workspace (Hangouts Meet)

  1. minimalne wymagania sprzętowe, jakie musi spełniać komputer Uczestnika lub inne urządzenie do zdalnej komunikacji,

Parametry sprzętowe umożliwiające płynne działanie systemu operacyjnego mininalnie 4GB pamięci RAM, procesor intel core i3 lub odpowiednik. System operacyjny Windows 8.1 lub wyższy, MacOS i Linux w aktualny wersjach.

Komputer Uczestnika musi posiadać lub mieć podłączone sprawny mikrofon i kamerę. Uczestnik spotkania zobowiązany jest do wcześniejszej weryfikacji sprawności oraz konfiguracji mikrofonu i kamery.

c)minimalne wymagania dotyczące parametrów łącza sieciowego, jakim musi dysponować Uczestnik,

10 Mb/s – minimalna prędkość internetu

d)  niezbędne oprogramowanie umożliwiające Uczestnikom dostęp do prezentowanych treści i materiałów,

System operacyjny Windows 7/8/10 w przypadku PC/laptopów, Android w wersji 5.0 w przypadku tabletów,

System operacyjny, przeglądarka internetowa, przeglądarka plików PDF oraz zgodnie z pkt 1 oraz łącze internetowe o parametrach opisanych w pkt 3

R for windows

RStudio Desktop Open Source License

Notepad++

JAVA JDK

Pycharm 

Powerbi desktop

Pyscripter/spider,

biblioteki do analizy danych

Git SCM

Mongo DB

VirtualBox

SQL Developer

Putty

XAMPP

Cassandra

Python (pakiety numpy, scipy, pandas, matplotlib, statsmodels, MySQLdb, psycopg2, os, xlsxwriter, cassandra)

Microsoft Office / Libre Office

e)okres ważności linku umożliwiającego uczestnictwo w spotkaniu on-line.

W okresie trwania szkolenia. Materiały związane z przygotowaniem środowiska do szkolenia będą dostępne bez ograniczeń czasowych.

Kontakt

Kinga Lecko
E-mail
kinga@matman.uwm.edu.pl
Telefon
(+48) 664 315 525