Big Data Analytics for Business WSE-EK-MON-BDAB
Istnieje wykładniczy wzrost ilości danych generowanych przez człowieka i coraz potężniejszych maszyn, które sobie z tym radzą. Naukowcy zajmujący się danymi zaproponowali ostatnio różne metody analizy tej kategorii danych, których zakres dotyka każdego obszaru nauki społecznych.
Ważne jest, aby decydenci ekonomiczni mogli zrozumieć i zinterpretować wyniki dostarczone przez analityków danych na poziomie mikroekonomicznym i makroekonomicznym. To jest właśnie cel tego kursu pod względem kompetencji społecznych, dla przyszłych ekonomistów i liderów biznesu, aby zapoznać się z wizualizacją i analizą Big Data w celu rozwiązania podstawowych pytań.
Ten kurs wprowadzi Big Data i omówi, co pociąga za sobą analiza tych danych, a także związane z tym wyzwania techniczne, koncepcyjne i etyczne. Zapewnia również podstawowe doświadczenie w zarządzaniu i analizie dużych i złożonych struktur danych powszechnie określanych jako eksploracja danych lub analiza eksploracyjna.
|
W cyklu 2023/24_Z:
Istnieje wykładniczy wzrost ilości danych generowanych przez człowieka i coraz potężniejszych maszyn, które sobie z tym radzą. Naukowcy zajmujący się danymi zaproponowali ostatnio różne metody analizy tej kategorii danych, których zakres dotyka każdego obszaru nauki społecznych. |
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
E-Learning
Grupa przedmiotów ogólnouczenianych
Opis nakładu pracy studenta w ECTS
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
W cyklu 2023/24_Z: fakultatywny dowolnego wyboru | W cyklu 2024/25_Z: obowiązkowy |
Wymagania wstępne
Koordynatorzy przedmiotu
Efekty kształcenia
Wiedza
Student będzie w stanie opisać różne rodzaje obserwacji statystycznych. Będzie on w stanie zdefiniować Big Data w różnych aspektach związanych z analityką biznesową i eksploracją danych. Student będzie ze znanymi wizualnymi reprezentacjami danych i będzie w stanie je zinterpretować.
UMIEJĘTNOŚCI
Student będzie mógł
• Wybierz metody ilościowe w zależności od rodzaju problemu
• Zastosuj podstawowe metody ilościowe Big Data i zinterpretuj wyniki
• Opiniuj mocne strony i ograniczenia treści wniosków empirycznych.
KOMPETENCJE
Student potrafi dobierać metody ilościowe w zależności od rodzaju postawionego problemu.
Student jest przygotowany do prawidłowego zastosowania podstawowych metod ilościowych Big Data oraz interpretacji otrzymanych wyników.
Student opiniuje mocne i słabe strony treści wniosków empirycznych.
Aktywność studencka Nakład pracy studenta w godzinach
udział w wykładzie 30
przygotowanie do dyskusji międzygrupowych(projekty w małych grupach) 25
konsultacja 5
czas na napisanie pracy 10
czas na samoocenę pracy międzygrupowej 5
przygotowanie do egzaminu 25
CAŁKOWITA LICZBA GODZIN 100
LICZBA PUNKTÓW ECTS 100 godzin / 30 (25) godzin ≈ 4
Kryteria oceniania
Forma zajęć: Wykład monograficzny
Na ocenę końcową składa się praca w grupach i egzamin końcowy pisemny.
Ocena końcowa obejmuje ocenę z egzaminu pisemnego (50%) i ocenę z samooceny pracy międzygrupowej (50%).
10 pkt - ocena: 5.0
8-9 pkt - ocena: 4,5
7-8 pkt - ocena: 4.0
6-7 pkt - ocena: 3,5
5-6 pkt - ocena: 3.0
poniżej 5 pkt - ocena: 2,0
2 – niedostateczna- Student nie dostarczył pracy lub praca nie jest jego niezależnym osiągnięciem, jest chaotyczna w odniesieniu do różnych koncepcji Big Data i metod analizy technicznej. Student nie rozumie podstawowych pojęć związanych z analityką Big Data i unika dyskusji związanych z kwestiami Big Data
3 – dostateczna- Student udowadnia, że rozumie podstawowe pojęcia Big Data w różnych aspektach związanych z analityką biznesową i eksploracją danych pokazaną na wykładzie. Może wizualizować dane statystyczne za pomocą oprogramowania omówionego podczas wykładów. Nadal wykazuje trudności z empiryczną stroną Big Data w odniesieniu do technik eksploracji danych. Student ma podstawowe spostrzeżenia związane z koncepcjami i wizualizacją Big Data. Nie opanowuje technik obliczeniowych, ale uznaje ich przydatność. Byłby gotów zwiększyć wiedzę i umiejętności do celów zawodowych.
4 – dobra- Student wykonał dobrą pracę i prawidłowo określił problemy i pozycje. Jest w stanie wybrać i zastosować odpowiednie metody ilościowe w zależności od rodzaju problemu. Student inicjuje dyskusje związane z zagadnieniami Big Data i rozumie różne raporty prezentowane przez inżynierów danych w dziedzinie analityki biznesowej lub ekonomicznej.
5 -bardzo dobra- Student wykonał dobrą pracę i poprawnie określił problemy i pozycje. Jest w stanie wybrać i zastosować odpowiednie metody ilościowe w zależności od rodzaju problemu. Potrafi odpowiednio zinterpretować rozwiązanie i pokazać, aby nawiązywać do literatury zaproponowanej w sylabusie. Student inicjuje dyskusje związane z zagadnieniami Big Data, może wybrać i skutecznie zastosować techniki obliczeniowe do rozwiązywania problemów w analityce biznesowej i rozumie implikacje Big Data w biznesie i może umieścić je w szerszym kontekście codziennego życia.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: