Studia podyplomowe: analiza i inżynieria danych - data science
Studia podyplomowe: analiza i inżynieria danych - data science
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- 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.
Usługa adresowana również do uczestników projektu Kierunek - Rozwój (WUP TORUŃ).
Usługa adresowana również do uczestników projektu "Małopolski pociąg do kariery - sezon 1" i projektu "Nowy Start w Małopolsce z EURESem".
Usługa adresowana również do uczestników Projektu Kariera Przyszłości.
Usługa adresowana również do uczestników projektu "Profesjonalne kadry Podlasia - wsparcie rozwoju kwalifikacji mieszkańców subregionu białostockiego"
- Minimalna liczba uczestników10
- Maksymalna liczba uczestników32
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi224
- Podstawa uzyskania wpisu do BURart. 163 ust. 1 ustawy z dnia 20 lipca 2018 r. Prawo o szkolnictwie wyższym i nauce (t. j. Dz. U. z 2024 r. poz. 1571, z późn. zm.)
- Zakres uprawnieńStudia podyplomowe
Cel
Cel
Cel edukacyjny
Usługa studia podyplomowe: analiza i inżynieria danych potwierdza przygotowanie 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 (Python, R) | Kryteria weryfikacji Stosuje techniki obliczeniowe oraz techniki programowania, wspomagające pracę analityka; | Metoda walidacji Analiza dowodów i deklaracji |
Kryteria weryfikacji Dokonuje ilustracji obliczeń symbolicznych za pomocą pakietów oprogramowania; | Metoda walidacji Analiza dowodów i deklaracji | |
Kryteria weryfikacji Projektuje poprawnie program z uwzględnieniem złożoności algorytmów i zapisuje go w języku wysokiego poziomu; | Metoda walidacji Analiza dowodów i deklaracji | |
Efekty uczenia się Tworzy i zarządza systemami baz danych | Kryteria weryfikacji Posługuje się właściwie dobranymi środowiskami programistycznymi do projektowania, tworzenia, modyfikacji i zarządzania bazami danych; | Metoda walidacji Analiza dowodów i deklaracji |
Efekty uczenia się Stosuje metody i techniki sztucznej inteligencji; | Kryteria weryfikacji Stosuje techniki obliczeniowe oraz techniki programowania, wspomagające pracę analityka; | Metoda walidacji Analiza dowodów i deklaracji |
Kryteria weryfikacji Projektuje poprawnie program z uwzględnieniem złożoności algorytmów i zapisuje go w języku wysokiego poziomu; | Metoda walidacji Analiza dowodów i deklaracji | |
Kryteria weryfikacji Ilustruje obliczenia symboliczne za pomocą pakietów oprogramowania; | Metoda walidacji Analiza dowodów i deklaracji | |
Efekty uczenia się Stosuje techniki eksploracji do rozwiązywania wybranych zadań analizy danych; | Kryteria weryfikacji Dobiera odpowiedni model statystyczny do analizy danych oraz implementuje go w praktyce przy pomocy oprogramowania; | Metoda walidacji Analiza dowodów i deklaracji |
Kryteria weryfikacji Posługuje się charakterystykami statystycznymi populacji i ich odpowiednikami próbkowymi; | Metoda walidacji Analiza dowodów i deklaracji | |
Efekty uczenia się Korzysta z wybranych technik i narzędzi przetwarzania dużych zbiorów danych w celu pozyskania z nich informacji i wiedzy; | Kryteria weryfikacji Stosuje techniki obliczeniowe oraz techniki programowania, wspomagające pracę analityka; | Metoda walidacji Analiza dowodów i deklaracji |
Kryteria weryfikacji Dobiera odpowiedni model statystyczny do analizy danych oraz implementuje go w praktyce przy pomocy oprogramowania; | Metoda walidacji Analiza dowodów i deklaracji | |
Efekty uczenia się Przygotowuje i buduje model uczenia maszynowego | Kryteria weryfikacji Stosuje techniki obliczeniowe oraz techniki programowania, wspomagające pracę analityka; | Metoda walidacji Analiza dowodów i deklaracji |
Kryteria weryfikacji Ilustruje obliczenia symboliczne za pomocą pakietów oprogramowania | Metoda walidacji Analiza dowodów i deklaracji | |
Efekty uczenia się Dokonuje wizualizacji danych za pomocą wybranego oprogramowania | Kryteria weryfikacji Ilustruje obliczenia symboliczne za pomocą pakietów oprogramowania; | Metoda walidacji Analiza dowodów i deklaracji |
Efekty uczenia się Ocenia możliwości wykorzystania dotychczasowych osiągnięć technologii | Kryteria weryfikacji Uznaje ograniczenia własnej wiedzy oraz umiejętności i odczuwa potrzebę dalszego kształcenia | Metoda walidacji Analiza dowodów i deklaracji |
Kwalifikacje i kompetencje
Kwalifikacje
Kompetencje
Usługa prowadzi do nabycia kompetencji.Warunki uznania kompetencji
Program
Program
Celem studiów jest zapoznanie słuchaczy z najbardziej popularnymi technikami, algorytmami, narzędziami i oprogramowaniem stosowanym w Data Science oraz w Big Data.
115 godz.dyd. w semestrze zimowym, 100 godz.dyd. w semestrze letnim* , 9 godz.dyd. walidacji (godzina dydaktyczna = 45 minut).
Forma wszystkich zajęć: ćwiczenia komputerowe. Przerwy nie wliczają się w liczbę godzin usługi.
Na zakończenie absolwent otrzymuje świadectwo ukończenia studiów podyplomowych oraz jako załącznik zaświadczenie zawierające: opis efektów uczenia się, informację o przeprowadzeniu walidacji w oparciu o zdefiniowane w efektach uczenia się kryteria ich weryfikacji, informację o rozdzieleniu procesu kształcenia od walidacji oraz nazwisko osoby przeprowadzającej walidację studiów.
Zjazdy sobotnio-niedzielne online w czasie rzeczywistym na platformie Google Workspace.
===================
WALIDACJA:
Czas walidacji wskazany w harmonogramie dotyczy 1 uczestnika.
Walidacja w formie "Analiza dowodów i deklaracji" dotyczy każdego przedmiotu osobno po zakończeniu jego realizacji i jest sprawdzeniem mini-projektów przesyłanych do walidatora. Walidacja odbędzie się w terminie od 01.06.2026 do 29.10.2026 Terminy walidacji dostępne będą u osoby nadzorującej usługę po stronie dostawcy usługi (Kierownika studiów podyplomowych).
===================
Program studiów zawiera komponent kompetencji cyfrowych.
===================
RAMOWY PROGRAM USŁUGI:
Wprowadzenie do data science (dr inż. Krzysztof Ropiak)
Instalacja i konfiguracja środowiska pracy.
Podstawowe elementy języka programowania: organizacja kodu, podstawowe typy danych, instrukcje warunkowe, pętle.
Organizacja kodu: funkcje, moduły, pakiety oraz dokumentacja kodu.
Obsługa narzędzia Jupyter Notebook.
Podstawowe wykorzystanie pakietów pandas, matplotlib oraz seaborn w środowisku Jupyter Notebook.
Język znaczników Markdown.
Wykorzystanie systemu kontroli wersji Git.
Wizualizacja danych i techniki data mining (dr Piotr Jastrzębski)
Podstawowe metody statystyczne.
Wczytywanie danych z różnych źródeł.
Wybrane techniki data mining.
Analiza sygnałów i szeregów czasowych
Podstawowe metody regresji liniowej i nieliniowej oraz prognozowania szeregów czasowych.
Przetwarzanie danych tekstowych: normalizacja i wektoryzacji.
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).
Systemy baz danych (dr Paweł Drozda)
Relacyjne bazy danych - język SQL.
Nierelacyjne bazy danych – Cassandra.
Integracja Python z bazami danych.
Programowanie baz danych PL/SQL.
Podstawy pakietu R (mgr inż. Marek Panfiłow)
Instalacja środowiska.
Podstawowe elementy konstrukcyjne języka.
Podstawowe funkcje i ich tworzenie.
Instrukcje sterujące.
Import/eksport danych.
Wizualizacja danych.
Power BI (mgr inż. Karol Wieszczycki)
Importowanie i transformacja danych.
Praca z modelem danych.
Wizualizacja danych.
Raportowanie.
Zaawansowane programowanie w języku Python (dr Piotr Jastrzębski)
Programowanie zorientowane obiektowo.
Moduły i pakiety.
Obsługa plików.
Dekoratory.
Wyrażenia lambda.
Usuwanie błędów, testowanie.
Wyrażenia regularne.
Metody i techniki sztucznej inteligencji (mgr inż. Aleksandra Szpakowska)
Uczenie nadzorowane i regresja liniowa.
Statystyki Bayesowskie.
Drzewa decyzyjne.
Uczenie nienadzorowane.
Sieci neuronowe.
Modele generatywne i autokodery.
Algorytmy i metody uczenia modeli głębokich.
Wybrane problemy klasyfikacji, detekcji, regresji.
Analiza danych w praktyce (mgr inż. Marek Panfiłow)
Realizacja zadań praktycznych.
Doskonalenie techniki prezentacji przeprowadzonej analizy.
Inżynieria big data (dr inż. Krzysztof Ropiak)
Wprowadzenie do inżynierii danych.
Platforma Apache Hadoop.
Podstawy Apache Spark.
Batchowe i strumieniowe przetwarzanie danych.
Budowa przepływów danych z użyciem Apache Airflow.
Przetwarzanie danych w chmurze obliczeniowej.
Infrastruktura big data.
Lp. | Nazwa przedmiotu | Rodzaj i wymiar zajęć dydaktycznych | Forma zaliczenia przedmiotu/sposób weryfikacji efektów uczenia się | Punkty ECTS | |||
Rodzaj zajęć | Zajęcia teoretyczne (godz.) | Zajęcia praktyczne (godz.) | |||||
Semestr I | |||||||
1 | Wprowadzenie do data science | ćwiczenia | 30 | zal. / aktywność na zajęciach, mini-projekt | 4 | ||
2 | Wizualizacja danych i techniki data mining | ćwiczenia | 20 | zal. oc. / aktywność na zajęciach, mini-projekt | 3 | ||
3 | Systemy baz danych | ćwiczenia | 30 | zal. oc. / aktywność na zajęciach, mini-projekt | 4 | ||
4 | Podstawy pakietu R | ćwiczenia | 20 | zal. / aktywność na zajęciach, mini-projekt | 3 | ||
5 | Power BI | ćwiczenia | 15 | zal. / aktywność na zajęciach, mini-projekt | 2 | ||
Semestr II | |||||||
6 | Zaawansowane programowanie w języku Python | ćwiczenia | 25 | zal. oc. / aktywność na zajęciach, mini-projekt | 4 | ||
7 | Metody i techniki sztucznej inteligencji | ćwiczenia | 30 | zal. oc./ aktywność na zajęciach, mini-projekt | 4 | ||
8 | Analiza danych w praktyce | ćwiczenia | 15 | zal. oc. / aktywność na zajęciach, mini-projekt | 2 | ||
9 | Inżynieria big data | ćwiczenia | 30 | zal. oc. / aktywność na zajęciach, mini-projekt | 4 | ||
Łączna liczba godzin | x | 215 | Łączna liczba punktów ECTS: | 30 | |||
215 | |||||||
Harmonogram
Harmonogram
| Przedmiot / temat zajęć | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|
Brak wyników. | |||||
Cena
Cena
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 6 900,00 PLN |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 6 900,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 30,80 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 30,80 PLN |
Prowadzący
Prowadzący
Paweł Drozda
Od 2004r. asystent w Katedrze Metod Matematycznych Informatyki UWM w Olsztynie, od 2007r. adiunkt. Prowadzi zajęcia na studiach I i II stopnia na kierunku Informatyka z przedmiotów tj. Statystyka i algebra w praktyce, Bazy i źródła danych, Bazy danych, Programowanie serwisów
internetowych, Aplikacje WWW i inne.
Od 2021r. do 2023r. praca w firmie Legimi S.A. na stanowisku Data sciencist.
Od 2012 do dzisiaj prowadzi zajęcia na studia podyplomowych: Zaawansowane technologie informatyczne, Zaawansowane metody analizy danych i data mining w biznesie, Data science w praktyce, Data science w Python (usługi zamieszczane w BUR).
Doświadczenie zawodowe zdobyte nie wcześniej niż 5 lat przed datą wprowadzenia szczegółowych danych dotyczących oferowanej usługi.
Marek Panfiłow
Od 2003r. do dzisiaj pracownik Urzędu Statystycznego w Olsztynie.
Od 2021r. do dzisiaj Kierownik Ośrodka Informatyki Statystycznej w Urzędzie statystycznym w Olsztynie. Członek Programu Trenerów Wewnętrznych GUS. W ramach projektów SISP oraz Wrota Statystyki kierował zespołem zajmującym się opracowaniem systemów przetwarzania i analizy danych.
Od 2017r. do dzisiaj prowadził zajęcia na studiach podyplomowych: Data science w praktyce, Data science w Python oraz Zaawansowane metody analizy danych i Data Mining w biznesie (usługi publikowane w BUR).
Doświadczenie zawodowe zdobyte nie wcześniej niż 5 lat przed datą wprowadzenia szczegółowych danych dotyczących oferowanej usługi.
Karol Wieszczycki
Od 2017r. do dzisiaj prowadzi własną działalność gospodarczą w zakresie usług szkoleniowych z zakresu IT.
Od 2022r. do 2023r. praca w Instytucie Badań Edukacyjnych jako edukator - technik, prowadził warsztaty i szkolenia z zakresu IT.
Od 2023r. do dzisiaj prowadził zajęcia na studia podyplomowych: Data science w praktyce, Data science w Python (usługi zamieszczane w BUR).
W 2023r. praca dla Pracownia PAKT Robisz.to w Olsztynie jako Senior Edukator.
W 2024r. praca dla Centrum GovTech jako Edukator, prowadził szkolenia i zajęcia z oferty MLP.
Doświadczenie zawodowe zdobyte nie wcześniej niż 5 lat przed datą wprowadzenia szczegółowych danych dotyczących oferowanej usługi.
Krzysztof Ropiak
Mgr kierunku informatyka na UWM w Olsztynie (2012r.)
Od 2008r. do dzisiaj prowadzi własną działalność gospodarczą w zakresie usług informatycznych.
Od 2015r. do dzisiaj asystent w Katedrze Metod Matematycznych Informatyki, Prowadzi zajęcia na studiach I i II stopnia na kierunku Informatyka z przedmiotów tj. Wprowadzenie do języka Python, Aplikacje WWW, Bazy danych, Projektowanie gier w środowisku UNITY, i inne.
Od 2016 do dzisiaj prowadzi zajęcia na studia podyplomowych: Zaawansowane technologie informatyczne, Zaawansowane metody analizy danych i data mining w biznesie, Data science w praktyce, Data science w Python (usługi zamieszczane w BUR).
Doświadczenie zawodowe zdobyte nie wcześniej niż 5 lat przed datą wprowadzenia szczegółowych danych dotyczących oferowanej usługi.
Piotr Jastrzębski
Od 2016r. asystent, od 2019r. adiunkt badawczo-dydaktyczny w Katedrze Analizy Zespolonej.
Prowadzi zajęcia na studiach I stopnia na kierunku Informatyka z przedmiotów tj. Programowanie Obiektowe, Programowanie Strukturalne, Programowanie gier w środowisku Unity, Projekt zespołowy, Pracownia dyplomowa i inne. Promotor kilkudziesięciu prac inżynierskich.
Od 2018 do dzisiaj prowadzi zajęcia na studia podyplomowych: Zaawansowane metody analizy danych i data mining w biznesie, Data science w praktyce, Data science w Python, Zaawansowane
metody analizy i eksploracji danych (usługi zamieszczane w BUR)
Znajomość języków programowania: C#, Java, Python, C, Maltab, R.
Doświadczenie zawodowe zdobyte nie wcześniej niż 5 lat przed datą wprowadzenia szczegółowych danych dotyczących oferowanej usługi.
Aleksandra Szpakowska
Od 2022r. do dzisiaj asystent w Katedrze Metod Matematycznych Informatyki. Prowadzi zajęcia na studiach I stopnia na kierunku Informatyka z przedmiotów tj. Bazy danych, Elementy robotyki inteligentnej, Metody inżynierii wiedzy.
Doświadczenie zawodowe zdobyte nie wcześniej niż 5 lat przed datą wprowadzenia szczegółowych danych dotyczących oferowanej usługi.
Informacje dodatkowe
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.
==========
Usługa rozwojowa nie jest świadczona przez podmiot pełniący funkcję Operatora lub Partnera Operatora w danym projekcie PSF lub w którymkolwiek Regionalnym Programie lub FERS albo przez podmiot powiązany z Operatorem lub Partnerem kapitałowo lub osobowo.
Cena usługi nie obejmuje kosztów niezwiązanych bezpośrednio z usługa rozwojową, w szczególności kosztów środków trwałych przekazywanych Uczestnikom/-czkom projektu, kosztów dojazdu i zakwaterowania
Informacje dodatkowe
115 godz.dyd. w sem. zimowym, 100 godz.dyd. w sem. letnim*, 9 godz.dyd. walidacji
*godz. dyd. = 45 minut. Przerwy nie są wliczane w czas trwania usługi.
Zawarto umowę z WUP w Toruniu w ramach Projektu Kierunek-Rozwój
Usługa adresowana również do uczestników projektu "Małopolski pociąg do kariery - sezon 1" i projektu "Nowy Start w Małopolsce z EURESem"
WALIDACJA:
Czas walidacji wskazany w harmonogramie dotyczy 1 uczestnika.
Walidacja w formie "Analiza dowodów i deklaracji" dotyczy każdego przedmiotu osobno po zakończeniu jego realizacji i jest sprawdzeniem mini-projektów przesyłanych do walidatora. Walidacja odbędzie się w terminie od 01.06.2026 do 29.10.4.2026 Terminy walidacji dostępne będą u osoby nadzorującej usługę po stronie dostawcy usługi (Kierownika studiów podypl.).
=
Usługa jest rejestrowana na potrzeby usługodawcy i uczestnika usł. jak również na potrzeby monitoringu, kontroli oraz w celu utrwalenia efektów uczenia się
Wymagana frekwencja na zajęciach min 80%
Warunki techniczne
Warunki techniczne
- 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)
- 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.
Podstawą do rozliczenia usługi, jest wygenerowanie z systemu raportu, umożliwiającego identyfikację wszystkich uczestników oraz zastosowanego narzędzia.