Metody optymalizacji decyzji menedżerskich WSE-EKN-MGR-MODM

Wiedza - Zna i rozumie:
Student definiuje i opisuje problemy z zakresu programowania liniowego

Umiejętności - Potrafi:
Student rozwiązuje problemy optymalizacyjneprzy doborze odpowiednich metod , weryfikuje i interpretuje uzyskane wyniki i podejmuje na ich podstawie decyzje

Kompetencje - Jest gotów do:
Student rozwija umiejętności analityczne w zakresie wykorzystania technik optymalizacyjnych przy podjęciu decyzji menedzerskich
Chętnie współpracuje z innymi i groupa ma świadomość wpływu swojego wkładu w dyskucji na temat optymalizacji decyzji menedzerskich różnego rodzaju.
Nakłady studenta:
Aktywność studencka Nakład pracy studenta w godzinach
udział w laboratoriach 16
przygotowanie do dyskusji międzygrupowych 10
konsultacja 5
czas na napisanie pracy międzygrupowych 10
czas na samoocenę pracy międzygrupowej 5
przygotowanie do egzanu 10
CAŁKOWITA LICZBA GODZIN 56
LICZBA PUNKTÓW ECTS 100 godzin / 30 (25) godzin ≈ 2

Kryteria oceny końcowej:
Na ocenę końcową składa się praca w grupach i egzamin końcowy pisemny.
Ocena końcowa obejmuje ocenę z egzaminu pisemnego (45%) i ocenę z samooceny pracy międzygrupowej (55%).
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 metod optymalizacji decyzji menedżerskich. 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.

1.Sikora W. (red.): Badania operacyjne, Polskie Wydawnictwo Ekonomiczne, Warszawa 2008.
2.Trzaskalik T.: Wprowadzenie do badań operacyjnych z komputerem, Polskie Wydawnictwo Ekonomiczne, Warszawa 2008.
3.Gajda J., Kucharski A.: Badania operacyjne. Metody i zastosowania, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2008.
4.Lipiec-Zajchowska M.: Wspomaganie procesów decyzyjnych. Tom III. Badania operacyjne, Wydawnictwo C.H. Beck, Warszawa 2003

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

• Strona przedmiotu WSE-EKN-MGR-MODM w USOSweb