Praca projektowa 1 - dla specjalności Sztuczna inteligencja WF-FI-KGN-PP1-SI

https://e.uksw.edu.pl/course/view.php?id=51296 (w cyklu 2025/26_L)

Przedmiot ma na celu wprowadzenie studentów w metodę Problem-Based Learning poprzez realizację zespołowego projektu badawczego w obszarze analizy danych i sztucznej inteligencji. W trakcie zajęć studenci samodzielnie wybierają i analizują rzeczywisty problem badawczy, ucząc się planowania procesu badawczego oraz krytycznej analizy założeń. Istotnym elementem przedmiotu jest pozyskiwanie, przygotowanie i porządkowanie danych z różnych źródeł, a także ich podstawowa analiza statystyczna i wizualizacja z wykorzystaniem narzędzi programistycznych. W dalszej części zajęć studenci poznają wybrane metody zaawansowanej analizy danych, w tym porównanie klasycznych podejść analitycznych z metodami opartymi na sztucznej inteligencji. Duży nacisk kładziony jest na interpretację wyników, ocenę jakości danych oraz formułowanie wniosków badawczych. Zajęcia kończą się przygotowaniem raportu i prezentacji projektu, publicznym przedstawieniem rezultatów oraz wspólną refleksją nad przebiegiem i efektami pracy projektowej.

E-Learning

E-Learning (pełny kurs) z podziałem na grupy

Grupa przedmiotów ogólnouczenianych

nie dotyczy

Opis nakładu pracy studenta w ECTS

Bezpośredni udział w zajęciach - 30 h , - udział w zaliczeniach poza zajęciami - 2 h, - udział w konsultacjach - 15 h, razem 47h, co odpowiada 2 ECTS. Praca własna: - przygotowanie do zajęć (czytanie, praca pisemna, tłumaczenie, ..) - 20 h, - przygotowanie do zaliczenia (np. czytanie, prezentacja, projekt, ...)- 30h, razem 50h, co odpowiada 2 ECTS.

Poziom przedmiotu

podstawowy

Symbol/Symbole kierunkowe efektów uczenia się

KOG1_W17; KOG1_W18; KOG1_W20; KOG1_U08; KOG1_U10; KOG1_K06

Typ przedmiotu

obowiązkowy

Wymagania wstępne

Podstawy analizy matematycznej, algebry liniowej, analizy statystycznej i rachunku prawdopodobieństwa; podstawy programowania w Pythonie.

Koordynatorzy przedmiotu

Katsiaryna Kosarava

Efekty kształcenia

Student:
U1 - potrafi dobierać odpowiednie metody badawcze, gromadzić i analizować dane w sposób systematyczny, formułować wnioski w oparciu o analizę, a także krytycznie oceniać proces badawczy (KOG1_W17).
W1- rozumie jej podstawowe pojęcia, specyfikę oraz wyzwania związane z AI, zna główne kierunki rozwoju i zastosowania sztucznej inteligencji, możliwości i ograniczenia zastosowania narzędzi AI w badaniu problemów z zakresu kognitywistyki (KOG1_W18).
W2- zna zasady prawa autorskiego i potrafi stosować je w badaniach naukowych (np. cytowanie, licencje danych) (KOG1_W20).
U2 - pod kierunkiem opiekuna naukowego, potrafi odpowiednio dobierać narzędzia do zbierania, przetwarzania i analizy danych, w tym redukcji wymiarów i wizualizacji, a także potrafi przeanalizować i zinterpretować uzyskane wyniki.(KOG1_U08),
U3 - potrafi przygotować raport dotyczący badanego zagadnienia, wykorzystując odpowiednie pojęcia teoretyczne sztucznej inteligencji, a także właściwą metodologię badawczą oraz dane zgromadzone w procesie realizacji projektu (KOG1_U10) .
K1 - stosuje zasady efektywnej komunikacji i wzajemnego szacunku podczas rzeczowej dyskusji, własnych badań i projektów grupowych (KOG1_K06) .

Kryteria oceniania

1. Warunkiem zaliczenia jest obecność na zajęciaсh (nie mniej niż 80%)
2. Ocena z przedmiotu wystawiana jest na podstawie oceny z projektu grupowego – 40 pkt

Skala ocen (projekt):
0–19 pkt – niedostateczny (2.0)
20–23 pkt – dostateczny (3.0)
24–27 pkt – dostateczny plus (3.5)
28–31 pkt – dobry (4.0)
32–35 pkt – dobry plus (4.5)
36–40 pkt – bardzo dobry (5.0)

Literatura

Literatura obowiązkowa
1. Klein, Bernd. Python Data Analysis. Dostępne online: https://python-course.eu/books/bernd_klein_python_data_analysis_a4.pdf
2. VanderPlas, Jacob T. Python Data Science Handbook: Essential Tools for Working with Data. 2. wyd., O'Reilly Media, 2023. Dostępne online: https://jakevdp.github.io/PythonDataScienceHandbook/
3. Komorowski, Matthieu & Marshall, Dominic & Salciccioli, Justin & Crutain, Yves. (2016). Exploratory Data Analysis. 10.1007/978-3-319-43742-2_15.
4. Sheppard, Valerie. Research Methods for the Social Sciences: An Introduction. BCcampus, 2020, https://open.umn.edu/opentextbooks/textbooks/research-methods-for-the-social-sciences-an-introduction

Literatura uzupełniająca
1. Bhattacherjee, Anol, Toleman, Mark, Rowling, Samara, Frederiks, Anita and Andersen, Nikki. Rowling, Samara (ed.) 2019. Social Science Research: Principles, Methods and Practices. Australia. University of Southern Queensland. Dostępna online: https://usq.pressbooks.pub/socialscienceresearch/
2. OpenStax. Principles of Data Science. OpenStax, Rice University. Dostępna online: https://assets.openstax.org/oscms-prodcms/media/documents/Principles-of-Data-Science-WEB.pdf
3. McKinney, Wes. Python for Data Analysis. 3. wyd., O'Reilly Media, 2022. Dostępne online: https://wesmckinney.com/book
4. Gagolewski, Marek. Minimalist Data Wrangling with Python. Zenodo, 2025. Dostępna online: https://doi.org/10.5281/zenodo.6451068
5. Statystyka : analiza badań społecznych / Grażyna Wieczorkowska, Jerzy Wierzbiński. Warszawa : Wydawnictwo Naukowe Scholar; 2007, 366 s. : il. ; 25 + dysk optyczny (CD-ROM).
6. Python w data science : praktyczne wprowadzenie / Yuli Vasiliev ; przekład: Piotr Rajca. Gliwice : Helion; copyright 2024, 248 stron : ilustracje, wykresy ; 23 cm.

W cyklu 2025/26_L:

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu WF-FI-KGN-PP1-SI w USOSweb