Wydział Matematyki i Informatyki PROGRAM KSZTAŁCENIA. Studiów Podyplomowych Analiza Danych i Data Mining
|
|
- Czesław Antczak
- 8 lat temu
- Przeglądów:
Transkrypt
1 Wydział Matematyki i Informatyki PROGRAM KSZTAŁCENIA Studiów Podyplomowych Analiza Danych i Data Mining obowiązujący od roku akademickiego 2015/16 Program kształcenia zatwierdzony przez Radę Wydziału Matematyki i Informatyki w dniu r.
2 1. Nazwa studiów podyplomowych: ANALIZA DANYCH I DATA MINING 2. Zwięzły opis: Studia Analiza Danych i Data Mining są skierowane do szerokiego grona słuchaczy zainteresowanych wykorzystaniem wiedzy z zakresu matematyki i informatyki oraz narzędzi statystycznych w pracy zawodowej związanej z przetwarzaniem i analizą danych. Istotą tych studiów podyplomowych jest nabywanie przez studentów wiedzy i praktycznych umiejętności dotyczących metod współczesnej analizy i eksploracji danych metod opracowywania i wnioskowania na ich podstawie. Absolwent będzie również posiadał umiejętność wizualizacji wyników analiz oraz prezentacji ich przed szerokim gremium. Szczególny nacisk w procesie kształcenia położony jest na rozwijanie umiejętności samodzielnego i zespołowego rozwiązywania problemów współczesnej analizy i eksploracji danych o charakterze teoretycznym i praktycznym. Umiejętności te są niezbędne dla każdego specjalisty z zakresu analizy i eksploracji danych w szybko zmieniającym się rynku technologii informacyjnych. 3. Cele kształcenia Celem kształcenia studiów podyplomowych Analiza Danych i Data Mining jest: zapoznanie z gruntowną wiedzą teoretyczną z zakresu analizy statystycznej danych, programowania, baz danych i eksploracji danych, przygotowanie słuchaczy do wykonywania analiz wykorzystywanych na potrzeby administracji państwowej i publicznej, a także biznesu, wykształcenie u absolwentów umiejętności analitycznego i syntetycznego myślenia, pozwalających na niestandardowe podejście do rozwiązywania różnorodnych problemów badawczych, wymagających stworzenia nowego lub zaadaptowania istniejącego modelu analizy danych, wykształcenie specjalistów posiadających umiejętność pozyskiwania danych, ich selekcjonowania, eksplorowania, wykreowania odpowiedniego modelu oraz interpretacji wyników, wyposażenie słuchaczy w umiejętność wyboru i stosowania narzędzi informatycznych do eksploracji danych, rozwijanie umiejętności prezentacji i wizualizacji wyników analiz i raportów, przygotowanie absolwentów do samodzielnego rozwijania umiejętności zawodowych w zakresie analizy i eksploracji danych. 4. Wymagania wstępne Ukończenie studiów wyższych pierwszego lub drugiego stopnia. 5. Zasady rekrutacji Zasady rekrutacji są ustalane na każdy rok akademicki przez Radę Programową Studiów Podyplomowych Analiza Danych i Data Mining. 6. Przyporządkowanie studiów do obszaru lub obszarów kształcenia Obszar nauk ścisłych. 2
3 7. Efekty kształcenia Efekty kształcenia studiów podyplomowych Analiza Danych i Data Mining realizują wybrane efekty kształcenia określone dla obszaru nauk ścisłych (poziom I, profil ogólnoakademicki). Tabela 1. Efekty kształcenia studiów podyplomowych Analiza Danych i Data Mining wraz z odniesieniem do efektów kształcenia obszaru nauk ścisłych (poziom I, profil ogólnoakademicki). Kody efektów kształcenia studiów podyplomowych Analiza Danych i Data Mining Efekty kształcenia studiów podyplomowych Analiza Danych i Data Mining. Po zakończeniu studiów absolwent: Odniesienie do EK dla obszaru nauk ścisłych w zakresie wiedzy: 11AD_W01 11AD_W02 zna podstawowe pojęcia i metody rachunku prawdopodobieństwa, statystyki opisowej oraz wnioskowania statystycznego zna rozwiązania informatyczne stosowane w analizie danych, w tym podstawy technik obliczeniowych i programowania, rozumie ich ograniczenia zna wybrane pakiety oprogramowania, służące do 11AD_W03 obliczeń symbolicznych, statystyki i eksploracji danych posiada ogólną wiedzę w zakresie podstawowych 11AD_W04 działów analizy danych, w tym podstawowe techniki dotyczące grupowania danych oraz ich klasyfikacji posiada wiedzę o powiązaniach analizy danych z 11AD_W05 wybranymi zagadnieniami matematyki teoretycznej, programowania i baz danych rozumie koncepcję i konstrukcję modeli eksploracji 11AD_W06 danych, potrafi użyć właściwych narzędzi do ich formalnego opisu i analizy posiada wiedzę dotyczącą podstawowych teorii baz 11AD_W07 danych, modelowania danych oraz składowania i wyszukiwania informacji w bazach danych rozumie cywilizacyjne znaczenie modelowania i eksploracji danych, posiada podstawową wiedzę o 11AD_W08 głównych kierunkach rozwoju i aktualnych osiągnięciach w zakresie eksploracji danych zna podstawowe techniki badawcze obejmujące formułowanie i analizę problemów badawczych, dobór 11AD_W09 metod i narzędzi badawczych, opracowanie i prezentację wyników w zakresie umiejętności: 11AD_U01 11AD_U02 11AD_U03 11AD_U04 umie prowadzić proste wnioskowania statystyczne i probabilistyczne, także z wykorzystaniem narzędzi komputerowych potrafi obalać błędne hipotezy lub nieuprawnione rozumowania poprzez argumentację opartą na zdobytej wiedzy potrafi zastosować narzędzia matematyczne oraz metody eksploracji danych do analizy zagadnień ekonomicznych potrafi wykorzystywać narzędzia/pakiety oprogramowania/techniki obliczeniowe do rozwiązywania wybranych zagadnień matematycznych i analizy danych X1A_W01 X1A_W02 X1A_W03 X1A_W02 X1A_W04 X1A_W05 X1A_W05 X1A_W01 X1A_W04 X1A_W02 X1A_W03 X1A_W01 X1A_W04 X1A_W01 X1A_W01 X1A_W02 X1A_U01 X1A_U02 X1A_U03 X1A_U04 X1A_U01 X1A_U02 X1A_U03 X1A_U01 X1A_U02 X1A_U02 X1A_U04 3
4 11AD_U05 11AD_U06 11AD_U07 11AD_U08 11AD_U09 11AD_U10 posiada umiejętność wyboru systemu analizy danych optymalnego dla danego zadania, uwzględniając aspekty ekonomiczne posiada umiejętność samodzielnego wykonywania projektów analizy danych potrafi zastosować techniki usprawniające i optymalizujące procesy analizy danych potrafi precyzyjnie analizować złożone procesy decyzyjne i stosować systemowe metody rozwiązywania problemów z zakresu decyzji kierowniczych posiada umiejętność projektowania baz danych i ich implementacji w wybranych systemach zarządzania bazami danych potrafi pozyskiwać dane z różnych źródeł, w tym z baz danych za pomocą wybranego języka zapytań potrafi budować wybrane modele eksploracji danych i oceniać ich jakość oraz stosować je m. in. do 11AD_U11 prognozowania wybranych procesów ekonomicznych, finansowych lub społecznych potrafi tworzyć typowe opracowania pisemne dotyczące modeli teoretycznych oraz narzędzi informatycznych, w 11AD_U12 tym również dokumentację techniczną projektów analizy danych w zakresie kompetencji społecznych: 11AD_K01 11AD_K02 11AD_K03 11AD_K04 zna ograniczenia własnej wiedzy i rozumie potrzebę dalszego kształcenia, uwzględniając trendy w przetwarzaniu i analizie danych rozumie znaczenie uczciwości intelektualnej w działaniach własnych i innych osób; postępuje etycznie ma krytyczne podejście do otrzymywanych danych i informacji, widzi potrzebę ich weryfikowania prawidłowo identyfikuje dylematy związane z wykonywaniem zawodu analityka danych X1A_U03 X1A_U01 X1A_U04 X1A_U05 X1A_U07 X1A_U03 X1A_U01 X1A_U02 X1A_U01 X1A_U03 X1A_U04 X1A_U06 X1A_U01 X1A_U02 X1A_U04 X1A_U01 X1A_U02 X1A_U04 X1A_U05 X1A_U06 X1A_U08 X1A_K01 X1A_K04 X1A_K05 X1A_U07 X1A_K03 X1A_K04 X1A_K06 X1A_K01 X1A_K05 X1A_K04 Opis poszczególnych przedmiotów i modułów procesu kształcenia Program studiów podyplomowych Analiza Danych i Data Mining obejmuje 2 semestry nauki. Z uwagi na realizowane efekty kształcenia przedmioty podzielone są na moduły. Szczegółowy opis przedmiotów znajduje się w Katalogu Przedmiotów UŁ. Tabela 2. Moduły przedmiotów na studiach podyplomowych Analiza Danych i Data Mining. Nazwa modułu Przedmioty modułu Efekty kierunkowe Moduł przedmiotów matematycznych AS - Analiza statystyczna danych MS - Metody statystyczne MB - Metody statystyczne w badaniach społecznych i gospodarczych Przedmioty tego modułu realizują efekty kształcenia dla studiów podyplomowych Analiza Danych i Data Mining oznaczone symbolami opisanymi w Tabeli nr 1: 11AD_W01-W05, W09 11AD_U01-U07, U12 11AD_K01- K04 4
5 Analiza techniczna i fundamentalna Audytorskie metody analizy danych Analiza portfelowa Data mining (Eksploracja danych) Bazy danych i język SQL Arkusze kalkulacyjne i VBA Metody statystyczne w badaniach społecznych Metody statystyczne Analiza statystyczna danych AT AM AP DM BD AK MB MS AS Moduł przedmiotów informatycznych AK - Arkusze kalkulacyjne i VBA BD - Bazy danych i język SQL DM - Data mining (Eksploracja danych) Przedmioty tego modułu realizują efekty kształcenia dla studiów podyplomowych Analiza Danych i Data Mining oznaczone symbolami opisanymi w Tabeli nr 1: 11AD_W01-W09 11AD_U01-U12 11AD_K01- K04 Moduł przedmiotów specjalistycznych AP - Analiza portfelowa AM - Audytorskie metody analizy danych AT - Analiza techniczna i fundamentalna Przedmioty tego modułu realizują efekty kształcenia dla studiów podyplomowych Analiza Danych i Data Mining oznaczone symbolami opisanymi w Tabeli nr 1: 11AD_W01-W05, W-9 11AD_U01-U8, U12 11AD_K01- K04 Relacje między efektami kształcenia dla studiów podyplomowych Analiza Danych i Data Mining, a przedmiotowymi efektami kształcenia. Przedmioty prowadzone na studiach podyplomowych Analiza Danych i Data Mining realizują wszystkie efekty kształcenia dla studiów podyplomowych Analiza Danych i Data Mining opisane w Tabeli 1. Tabela 3. Realizacja efektów kształcenia w ramach przedmiotów realizowanych na studiach podyplomowych Analiza Danych i Data Mining. EFEKTY KSZTAŁCENIA DLA STUDIÓW PODYPLOMOWYCH ANALIZA DANYCH I DATA MINING w zakresie wiedzy: 11AD_W01 zna podstawowe pojęcia i metody rachunku prawdopodobieństwa, statystyki opisowej oraz wnioskowania statystycznego AD_W02 zna rozwiązania informatyczne stosowane w analizie danych, w tym podstawy technik obliczeniowych i programowania, rozumie ich ograniczenia AD_W03 zna wybrane pakiety oprogramowania, służące do obliczeń symbolicznych, statystyki i eksploracji danych AD_W04 posiada ogólną wiedzę w zakresie podstawowych działów analizy danych, w tym podstawowe techniki dotyczące grupowania danych oraz ich klasyfikacji
6 AT AM AP DM BD AK MB MS AS AT AM AP DM BD AK MB MS AS 11AD_W05 posiada wiedzę o powiązaniach analizy danych z wybranymi zagadnieniami matematyki teoretycznej, programowania i baz danych AD_W06 rozumie koncepcję i konstrukcję modeli eksploracji danych, potrafi użyć właściwych narzędzi do ich formalnego opisu i analizy + 11AD_W07 posiada wiedzę dotyczącą podstawowych teorii baz danych, modelowania danych oraz składowania i wyszukiwania informacji w bazach danych + 11AD_W08 rozumie cywilizacyjne znaczenie modelowania i eksploracji danych, posiada podstawową wiedzę o głównych kierunkach rozwoju i aktualnych osiągnięciach w zakresie eksploracji danych + 11AD_W09 zna podstawowe techniki badawcze obejmujące formułowanie i analizę problemów badawczych, dobór metod i narzędzi badawczych, opracowanie i prezentację wyników w zakresie umiejętności: 11AD_U01 umie prowadzić proste wnioskowania statystyczne i probabilistyczne, także z wykorzystaniem narzędzi komputerowych AD_U02 potrafi obalać błędne hipotezy lub nieuprawnione rozumowania poprzez argumentację opartą na zdobytej wiedzy AD_U03 potrafi zastosować narzędzia matematyczne oraz metody eksploracji danych do analizy zagadnień ekonomicznych AD_U04 potrafi wykorzystywać narzędzia/pakiety oprogramowania/techniki obliczeniowe do rozwiązywania wybranych zagadnień matematycznych i analizy danych AD_U05 posiada umiejętność wyboru systemu analizy danych optymalnego dla danego zadania, uwzględniając aspekty ekonomiczne AD_U06 posiada umiejętność samodzielnego wykonywania projektów analizy danych AD_U07 potrafi zastosować techniki usprawniające i optymalizujące procesy analizy danych AD_U08 potrafi precyzyjnie analizować złożone procesy decyzyjne i stosować systemowe metody rozwiązywania problemów z zakresu decyzji kierowniczych AD_U09 posiada umiejętność projektowania baz danych i ich implementacji w wybranych systemach zarządzania bazami danych + 11AD_U10 potrafi pozyskiwać dane z różnych źródeł, w tym z baz danych za pomocą wybranego języka zapytań + 11AD_U11 potrafi budować wybrane modele eksploracji danych i oceniać ich jakość oraz stosować je m. in. do prognozowania wybranych procesów ekonomicznych, finansowych lub społecznych + 11AD_U12 potrafi tworzyć typowe opracowania pisemne dotyczące modeli teoretycznych oraz narzędzi informatycznych, w tym również dokumentację techniczną projektów analizy danych w zakresie kompetencji społecznych: 11AD_K01 zna ograniczenia własnej wiedzy i rozumie potrzebę dalszego kształcenia, uwzględniając trendy w przetwarzaniu i analizie danych
7 11AD_K02 rozumie znaczenie uczciwości intelektualnej w działaniach własnych i innych osób; postępuje etycznie AD_K03 ma krytyczne podejście do otrzymywanych danych i informacji, widzi potrzebę ich weryfikowania AD_K04 prawidłowo identyfikuje dylematy związane z wykonywaniem zawodu analityka danych Plan studiów I semestr II semestr Razem W L W L W+L ECTS 1.Analiza statystyczna danych pkt 2.Data mining (Eksploracja danych) pkt 3.Metody statystyczne pkt 4.Bazy danych i język SQL pkt 5.Analiza portfelowa pkt 6.Audytorskie metody analizy danych pkt 7.Analiza techniczna i fundamentalna pkt 8.Metody statystyczne w badaniach pkt społecznych i gospodarczych 9.Arkusze kalkulacyjne i VBA pkt RAZEM pkt W - Wykład L Laboratorium komputerowe 9. Bilans punktów ECTS wraz ze wskaźnikami charakteryzującymi program studiów Zgodnie z obowiązującymi regulacjami, poszczególnym elementom programu studiów podyplomowych Analiza Danych i Data Mining przyporządkowano punkty ECTS. Punkty ECTS są przyznawane na podstawie oszacowanego nakładu pracy własnej przeciętnego studenta ujętego w Systemie ustalania wartości punktowej ECTS dla przedmiotów na WMiI UŁ. Łączna liczba punktów ECTS, jaką słuchacz studiów podyplomowych Analiza Danych i Data Mining musi uzyskać, aby otrzymać określone kwalifikacje wynosi 61p ECTS. 10. Opis sposobu sprawdzenia efektów kształcenia w ramach danego programu Efekty kształcenia są osiągane i weryfikowane w ramach poszczególnych przedmiotów. Sposób weryfikowania szczegółowych efektów kształcenia na podstawie m.in. prac: zaliczeniowych, projektowych, pracy bieżącej podczas zajęć jest opisany w ramach każdego przedmiotu w Katalogu ECTS Przedmiotów UŁ (zobacz Załącznik nr. 3). Analiza weryfikacji efektów kształcenia jest przedmiotem pracy Wydziałowej Komisji ds. Jakości Kształcenia. 7
8 11. Praktyki zawodowe Nie przewiduje się praktyk zawodowych. 12. Związki z misją uczelni i jej strategią rozwoju Studia podyplomowe Analiza Danych i Data Mining wykazują pełną zgodność z misją i strategią rozwoju Uniwersytetu Łódzkiego na lata Uniwersytet Łódzki, jako jedna z wiodących polskich uczelni, bierze aktywny udział w innowacyjnym rozwoju miasta, regionu i całego kraju, reagując m.in. na zapotrzebowanie na nowe dyscypliny nauki. Wydział Matematyki i Informatyki UŁ jest szczególnie predestynowany do prowadzenia studiów tego typu: posiada zarówno kadrę dydaktyczno naukową z zakresu matematyki i statystyki matematycznej, jak i grono programistów oraz specjalistów ds. eksploracji danych i baz danych. Ponadto przy Wydziale działa Rada Biznesu, która aktywnie uczestniczy w analizie aktualnego rynku pracy w regionie łódzkim. Misją Wydziału Matematyki i Informatyki UŁ jest kształcenie w taki sposób, aby absolwenci byli przygotowani na nowe wyzwania stwarzane przez dynamicznie zmieniający się rynek pracy. Według badań (IDC Digital Universe) w dekadzie odnotowany będzie 50 krotny przyrost danych, które będą podlegały eksploracji i zarządzaniu. Istnieją zatem przesłanki pozwalające prognozować systematycznie rosnące zapotrzebowanie na absolwentów tego kierunku. 13. Różnice w stosunku do innych programów o podobnie zdefiniowanych celach i efektach kształcenia prowadzonych na uczelni Program kształcenia studiów podyplomowych Analiza Danych i Data Mining jest unikatowy na Uniwersytecie Łódzkim. Efekty kształcenia związane z matematyką, informatyką, a także ekonomią wyróżniają te studia podyplomowe wśród innych polskich uczelni. Studia podyplomowe Analiza Danych i Data Mining wyróżnia również duży nacisk na umiejętności praktyczne, np. stosowanie narzędzi statystycznych i informatycznych do wykonywania analiz, a także raportowania i prezentacji wyników. Istniejące na innych wydziałach studia podyplomowe, zajmujące się szeroko rozumianą analizą danych, dotyczą w głównej mierze zastosowania analizy do zarządzania strategicznego oraz w gospodarce. Natomiast studia podyplomowe Analiza Danych i Data Mining prowadzone na WMiI UŁ łączy w interdyscyplinarną całość zagadnienia takie, jak metody statystyczne, eksploracja danych, tworzenie modeli danych, a także ocenę ich poprawności. 14. Doświadczenia i wzorce międzynarodowe Program kształcenia studiów podyplomowych Analiza Danych i Data Mining został opracowany z uwzględnieniem międzynarodowych wzorców kształcenia w obszarze szeroko rozumianej analizy i eksploracji danych z wykorzystaniem statystyki. Efekty kształcenia zostały opracowane miedzy innymi w oparciu o zalecenie Parlamentu Europejskiego i Rady z 2008 roku w sprawie Europejskich Ram Kwalifikacji dla Uczenia się przez Całe Życie (ERK) oraz o Ramy Kwalifikacji dla Europejskiego Obszaru Szkolnictwa Wyższego (EHEA). Innym przejawem wykorzystania wzorców międzynarodowych w dostosowaniu efektów kształcenia studiów podyplomowych Analiza Danych i Data Mining są doświadczenia nauczycieli akademickich wyniesione z pobytów na partnerskich uczelniach zagranicznych w ramach wymiany międzynarodowej (np.: Niemcami (University of Paderborn), czy Hiszpanią (University of Granada)), czy kontaktów nawiązywanych w ramach konferencji zagranicznych. Taka wzajemna wymiana informacji jest dodatkowym źródłem informacji wzbogacającym wiedzę dotyczącej ram programu studiów i jakości kształcenia. 8
9 Załącznik 1 Skład Rady Programowej Studiów Podyplomowych Analiza Danych i Data Mining 1. Prof. dr hab. Tadeusz Krasiński - Kierownik Studiów Podyplomowych 2. Dr hab., prof. UŁ Tadeusz Antczak 3. Dr hab., prof. UŁ Tomasz Popławski 4. Dr Witold Budzisz 5. Dr Andrzej Skowron 6. Dr Sebastian Sakowski 7. Mgr Michał Adamczyk 9
10 Załącznik 2 Imienny wykaz pracowników przewidzianych do realizacji programu Studiów Podyplomowych Analiza Danych i Data Mining 1. Prof. dr hab. Tadeusz Krasiński - Wydział Matematyki i Informatyki UŁ 2. Dr hab., prof. UŁ Tadeusz Antczak - Wydział Matematyki i Informatyki UŁ 3. Dr hab., prof. UŁ Tomasz Popławski - Wydział Biologii i Ochrony Środowiska UŁ 4. Dr Witold Budzisz - Wydział Matematyki i Informatyki UŁ 5. Dr Andrzej Skowron - Wydział Matematyki i Informatyki UŁ 6. Dr Sebastian Sakowski - Wydział Matematyki i Informatyki UŁ 7. Mgr Michał Adamczyk - AMG.net S.A. 8. Mgr inż. Marcin Laskowski - Polska Agencja Rozwoju Przedsiębiorczości 9. Mgr Tomasz Piasecki - Ośrodek Statystyki Matematycznej Urzędu Statystycznego 10
11 Załącznik 3 PRZEDMIOTY REALIZOWANE NA STUDIACH PODYPLOMOWYCH ANALIZA DANYCH I DATA MINING 1. Analiza statystyczna danych Punkty ECTS: 6 pkt. Opis przedmiotu: Uczestnicy kursu zapoznają się z praktycznymi i teoretycznymi technikami analitycznymi wykorzystywanymi do analizy danych empirycznych. W trakcie kursu słuchacze zapoznają się z podstawowymi zagadnieniami estymacji, a także testowaniem hipotez. Przedstawione zostaną podstawowe metody statystyczne analizy danych: korelacje, różnice średnich, regresja liniowa dwóch i więcej zmiennych itd. Zajęcia obejmują wiedzę niezbędną do samodzielnej analizy danych. Treść kształcenia: 1.Podstawowe terminy stosowane w statystyce. 2.Rozkłady liczebności. 3.Algorytmy wyboru właściwej metody statystycznej. 4.Jedno i dwuczynnikowa analiza wariancji. 5.Zależności statystyczne między zmiennymi np. analiza korelacji, regresja liniowa i regresja wielokrotna. 6.Test niezależności Chi 2 oraz testy istotności. 7.Metody wielowymiarowe. 8.Metody nieparametryczne. Efekty kształcenia: Po zakończeniu przedmiotu słuchacz: 1. Stosuje podstawowe metody i narzędzia statystyczne. 2. Planuje i interpretuje badania ilościowe. 3. Prognozuje i modeluje złożone procesy badawcze. 4. Używa testy statystyczne, przeprowadza analizę wariancji oraz testy nieparametryczne. 5. Rozumie i stosuje regresję liniową dwu i wielu zmiennych. 6. Wybiera odpowiednie do potrzeb metody nieparametryczne i wielowymiarowe. 11
12 7. Używa algorytmy wyboru właściwego testu statystycznego. Sposób weryfikacji: Praca pisemna dotycząca wykładu i zajęć laboratoryjnych. Literatura: 1. H. Blalock: Statystyka dla socjologów. PWN 1977, Warszawa. 2. C. Watała: Biostatystyka wykorzystanie metod statystycznych w pracy badawczej w naukach biomedycznych. Medica Press G. Ferguson, Y. Takane: Analiza statystyczna w psychologii i pedagogice. PWN 1999, Warszawa. 4. J. Guilforg: Podstawowe metody statystyczne w psychologii i pedagogice. PWN 1964, Warszawa. 2. Data mining (Eksploracja danych) Punkty ECTS: 10 pkt. Opis przedmiotu: Nasza cywilizacja, a w szczególności duże firmy muszą sobie radzić z ogromną ilością danych. Są to dane pochodzące z baz danych, hurtowni danych oraz systemu WWW i zawierają informacje m.in. o klientach i wytwarzanych produktach. Eksploracja danych jest dziedziną informatyki, której zadaniem jest odkrywanie użytecznej wiedzy z danych i obejmuje metody i algorytmy automatycznej ich analizy. Ułatwia tworzenie promocji na podstawie koszyków zakupów, tworzenie systemu rekomendacji oraz skutecznych reklam w systemie WWW. Celem przedmiotu jest wprowadzenie do metodyki CRISP-DM i podstawowych technik eksploracji danych. Treść kształcenia: 1. Co to jest eksploracja danych? 2. Omówienie metodyki CRISP-DM. 3. Podstawy języka R i pakietu Rattle. 4. Praca z danymi w Rattle i R: (a) nazewnictwo, (b) jakość danych, (c) import danych z różnych źródeł (CSV, ARFF, ODBC, SQLite, R Data), (d) eksploracja danych (podsumowywanie, wykresy, analiza korelacji), (e) przekształcanie danych (normalizacja, imputacja, czyszczenie). 5. Tworzenie modeli: (a) Grupowanie, 12
13 (b) Analiza asocjacji, (c) Drzewa decyzyjne, (d) przykłady innych modeli. 6. Ocena wydajności modeli. 7. Wdrożenie. Efekty kształcenia: Po zakończeniu przedmiotu słuchacz: 1. Potrafi wytłumaczyć na czym polega eksploracja danych i metodyka CRISP-DM. 2. Zna podstawy języka R i pakietu Rattle. 3. Potrafi odkrywać asocjacje w zbiorach danych. 4. Potrafi stosować podstawowe techniki grupowania. 5. Potrafi budować drzewa decyzyjne z użyciem Rattle. Sposób weryfikacji: Praca pisemna dotycząca wykładu i zajęć laboratoryjnych. Literatura 1. P. Biecek. Przewodnik po pakiecie R. Wrocław: Oficyna Wydawnicza GIS, D. Larose, A. Wilbik. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, M. Walesiak, E. Gatnar, A. Bąk. Statystyczna analiza danych z wykorzystaniem programu R. Warszawa: Wydawnictwo Naukowe PWN, D. Larose: Metody i modele eksploracji danych. PWN J. Han, M. Kamber: Data Mining: Concepts and Techniques. Elsevier F. Gorunescu: Data Mining: Concepts, Models and Techniques. Springer Metody statystyczne Punkty ECTS: 7 pkt. Opis przedmiotu: Celem przedmiotu jest zapoznanie słuchacza z podstawowymi ideami i metodami stosowanymi w statystyce matematycznej. Zaprezentowane zostaną twierdzenia graniczne, techniki estymacji punktowej i przedziałowej oraz testowania hipotez statystycznych. W formie laboratorium informatycznego przedstawione zostaną podstawy pakietu statystycznego R. Wykłady oraz laboratoria dotyczyły będą następujących obszarów tematycznych. Podstawowe rozkłady ciągłe i dyskretne i ich statystyki. Prawa wielkich liczb i centralne twierdzenie graniczne. Estymacja punktowa i przedziałowa. Testowanie hipotez statystycznych. Środowisko pracy i składnia pakietu statystycznego R i jego 13
14 rozszerzenia. Zastosowanie pakietu R do wyznaczania podstawowych statystyk prób losowych. Estymacja i testowanie hipotez przy użyciu pakietu R. Prezentacja podstawowych modeli statystycznych. Treść kształcenia: 1. Podstawowe rozkłady ciągłe i dyskretne oraz ich parametry. 2. Prawa wielkich liczb i centralne twierdzenie graniczne. 3. Estymacja punktowa i przedziałowa. 4. Testowanie hipotez statystycznych. 5. Środowisko pracy i składnia pakietu statystycznego R oraz jego rozszerzenia. 6. Zastosowanie pakietu R do wyznaczania podstawowych statystyk prób losowych. 7. Estymacja i testowanie hipotez przy użyciu pakietu R. 8. Prezentacja podstawowych modeli statystycznych. Efekty kształcenia: Po zakończeniu przedmiotu słuchacz posiada: 1. Umiejętność posługiwania się pakietem R do wyznaczania podstawowych statystyk prób losowych, importu danych do pakietu R z pliku płaskiego. 2. Umiejętność stosowania pakietu R do weryfikowania podstawowych hipotez statystycznych. 3. Umiejętność zastosowania modelu liniowego w pakiecie R. 4. Znajomość centralnego twierdzenia granicznego i praw wielkich liczb. 5. Umiejętność badania nieobciążoności estymatorów, porównanie estymatorów. 6. Umiejętność wyznaczania estymatorów metodą największej wiarogodności oraz metodą momentów. 7. Umiejętność objaśnienia pojęcia testu statystycznego, błędów pierwszego i drugiego rodzaju oraz funkcji mocy testu. Sposób weryfikacji: Praca pisemna dotycząca wykładu i zajęć laboratoryjnych. Literatura 1. M. Fisz: Rachunek prawdopodobieństwa i statystyka matematyczna. PWN 1967, Warszawa. 2. Cz. Domański: Testy statystyczne. PWE 1990, Warszawa. 3. W. Krysicki i inni: Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach. PWN 1987, Warszawa. 4. Cz. Domański, K. Pruska: Nieklasyczne metody wnioskowania statystycznego. PWE 2000, Warszawa. 14
15 4. Bazy danych i język SQL Punkty ECTS: 10 pkt. Opis przedmiotu: Na wstępie uczestnicy zostają zapoznani z podstawami teoretycznymi baz danych, w tym przede wszystkim relacyjnego modelu baz danych. Kolejnym obszarem tematycznym, z którym zostaną zaznajomieni uczestnicy, będą metody tworzenia schematów relacyjnych baz danych oraz sprowadzania ich do poprawnych postaci. Uczestnicy będą mogli w sposób praktyczny sprawdzić nabytą wiedzę poprzez samodzielne tworzenie schematów relacyjnych baz danych. W dalszej części zajęć, tak teoretycznych jak i praktycznych, uczestnicy zostaną zaznajomieni z dialektem języka SQL firmy Oracle. Dzięki uzyskanej wiedzy, uczestnicy posiądą przede wszystkim praktyczną umiejętność samodzielnego tworzenia skryptów w języku SQL (firmy Oracle). W końcowej części zajęć uczestnikom zostaną przedstawione wybrane podstawy języka PL/SQL firmy Oracle, który stanowi rozszerzenie programistyczne dialektu języka SQL tej firmy. Treść kształcenia: 1. Podstawowe informacje z teorii baz danych, w tym przede wszystkim modelu relacyjnego. 2. Techniki tworzenia schematów relacyjnych baz danych: - Modelowanie związków encji za pomocą narzędzi informatycznych (Data Modeler). - Normalizacja relacji. 3. Obiekty relacyjnych baz danych Oracle (tabele, widoki, ograniczenia, indeksy, sekwencje). 4. Dialekt języka SQL firmy Oracle jako język definiowania danych (DDL). 5. Dialekt języka SQL firmy Oracle jako język manipulowania danymi (DML). 6. Wstęp do języka PL/SQL firmy Oracle. Efekty kształcenia: Po zakończeniu przedmiotu słuchacz posiada: 1. Znajomość podstawowych informacji dotyczących teorii baz danych i relacyjnego modelu baz danych. 2. Umiejętność tworzenia i analizowania diagramów ERD oraz projektowania poprawnych schematów relacyjnych baz danych. 3. Znajomość obiektów relacyjnych baz danych Oracle (tabele, perspektywy, ograniczenia, indeksy, sekwencje) oraz umiejętność ich tworzenia przy wykorzystaniu dialektu języka SQL firmy Oracle. 15
16 4. Umiejętność stosowania dialektu języka SQL firmy Oracle jako narzędzia do wyszukiwania i modyfikowania danych przechowywanych w bazach danych (firmy Oracle). 5. Umiejętność dostrzegania niektórych z szerszych możliwości wykorzystania języka SQL do przetwarzania danych przechowywanych w aplikacjach bazodanowych Oracle. 6. Znajomość podstaw języka PL/SQL firmy Oracle. Sposób weryfikacji: Praca pisemna dotycząca wykładu i zajęć laboratoryjnych. Literatura 1. J. Ullman, J. Widom: Podstawowy wykład z systemów baz danych. 2. C. Date, Wprowadzenie do systemów baz danych. 3. T.Connolly, C.Begg: Systemy baz danych. Praktyczne metody projektowania, implementacji i zarządzania, t.1 i t P. Benyon-Davies, Systemy baz danych 5. J. Price: Oracle Database 11g i SQL 6. R. Greenwald, R. Stackowiak, J. Stern: Oracle Database 11g. To co najważniejsze 7. A. Rischert: Oracle SQL by example 8. K. Loney: Oracle Database 10g. The complete reference. 5. Analiza portfelowa Punkty ECTS: 8 pkt. Opis przedmiotu: Celem przedmiotu jest zaznajomienie studentów z podstawami wiedzy o konstrukcji i zarządzaniu portfelem aktywów. Przedstawione zostaną zagadnienia optymalizacji portfela inwestycyjnego. Uczestnicy zapoznani zostaną z teoretycznymi, a także symulacyjnymi metodami rozwiązywania problemów optymalizacyjnych, zagadnieniem dywersyfikacji oraz konstrukcji portfeli spełniających wymagane kryteria. Uczestnicy nabędą umiejętności formułowania jakościowych wyników na podstawie ilościowych danych. Treść kształcenia: 1. Rynek kapitałowy i instrumenty finansowe. Instrumenty pochodne: kontrakty, opcje, warranty. 2. Wycena akcji. Czynniki determinujące wartość akcji. Wartość wewnętrzna akcji. Modele dyskontowe wyceny akcji. 16
17 3. Dochód z akcji. Oczekiwana stopa zwrotu. Prognozowanie stopy zwrotu. Rodzaje ryzyka inwestowania w akcje. Miary ryzyka. Parametry zmienności ceny akcji. 4. Portfel dwóch akcji. Oczekiwana stopa zwrotu. Kowariancja i korelacja stóp zwrotu. Mapa zysku i ryzyka portfela dwuakcyjnego. Zbiór wszystkich możliwości inwestycyjnych portfela dwóch akcji. 5. Portfel wielu akcji. Zbiór wszystkich możliwości inwestycyjnych. Zbiór efektywny. Wyznaczanie portfela o minimalnym ryzyku. Kryteria tworzenia portfela. 6. Portfel zawierający akcje i instrumenty wolne od ryzyka. Linia rynku kapitałowego (CML) 7. Modele rynku kapitałowego. Model jednowskaźnikowy Sharpe'a. Model równowagi rynku kapitałowego CAPM Efekty kształcenia: Po zakończeniu przedmiotu słuchacz: 1. Wycenia obligacje oraz akcje metodą zdyskontowanych przepływów pieniężnych. 2. Mierzy i porównuje efektywność różnorodnych inwestycji za pomocą specjalistycznych wskaźników. 3. Rozróżnia i charakteryzuje poszczególne instrumenty finansowe. 4. Opisuje zmienność cen akcji za pomocą narzędzi statystycznych. 5. Rozumie pojęcie zależności zmiennych i potrafi mierzyć jej stopień. 6. Konstruuje w arkuszu kalkulacyjnym oraz prezentuje graficznie zbiór możliwości inwestycyjnych dla portfela wielu akcji. 7. Formułuje kryteria wobec portfela i przeprowadza jego optymalizację. 8. Jest świadomy ograniczeń jakie narzuca posługiwanie się narzędziami analizy portfelowej. 9. Posiada elementarną wiedzę o modelach wyceny aktywów kapitałowych. Sposób weryfikacji: Praca pisemna dotycząca wykładu i zajęć laboratoryjnych. Literatura 1. K. Jajuga, T. Jajuga: Inwestycje. Instrumenty finansowe. Ryzyko finansowe. Inżynieria finansowa. 2. S. Benninga: Principles of finance with EXCEL.M. Wierzbicki M.: Analiza portfelowa. 3. D. Luenberger: Teoria inwestycji finansowych. 4. M. Capinski, T. Zastawniak: Mathematics for Finance: An Introduction to Financial Engineering. 17
18 6. Audytorskie metody analizy danych Punkty ECTS: 7 pkt. Opis przedmiotu: Uczestnicy zapoznani zostaną z teoretycznymi podstawami prowadzenia projektów analitycznych w audycie. Dzięki przygotowaniu realnych zagadnień analitycznych, uczestnicy nabędą umiejętność praktycznego zastosowania przekazanej wiedzy teoretycznej. Wykłady oraz warsztaty dotyczyły będą następujących obszarów tematycznych. Organizacja projektu analitycznego w audycie (cele, źródła danych, analiza, raportowanie). Dostęp do danych w różnych formatach. Zapewnienie poprawności danych (walidacja, integralności danych). Analiza danych (stosowanie wyrażeń, profilowanie danych, selekcja danych, sortowanie danych, łączenie tabel). Zapewnienie rozliczenia projektu analitycznego w audycie. Treść kształcenia: 1. Teoretyczne podstawy prowadzenia projektów analitycznych w audycie. 2. Organizacja projektu analitycznego w audycie (cele, źródła danych, analiza, raportowanie). 3. Dostęp do danych w różnych formatach. 4. Zapewnienie poprawności danych (walidacja i integralności danych). 5. Analiza danych (stosowanie wyrażeń, profilowanie danych, selekcja danych, sortowanie danych, łączenie tabel). 6. Wykonywanie praktycznych zadań audytorskich z zastosowaniem metod ilościowych. 7. Zapewnienie rozliczenia projektu analitycznego w audycie. Efekty kształcenia: Po zakończeniu przedmiotu słuchacz potrafi: 1. Określać cele projektów analitycznych. 2. Stosować różne metody dostępu i analizy danych w audycie. 3. Wykorzystywać oprogramowanie służące do audytu w podstawowym zakresie: znajomość interfejsu, stosowanie poleceń i wyrażeń (prostych i złożonych), raportowanie wyników. 4. Stosować zaawansowane metody audytorskie z wykorzystaniem oprogramowania służącego do audytu. 5. Używać skrypty w celu automatycznego powtarzania działań. 6. Stosować audytorskie metody dostępu i analizy danych na rzeczywistych danych. 18
19 Sposób weryfikacji: Praca pisemna dotycząca zajęć laboratoryjnych. Literatura 1. Krajowe i międzynarodowe standardy audytu wewnętrznego. 2. K. Knedler, M. Stasik: Audyt wewnętrzny w praktyce. Audyt operacyjny i finansowy. PAR Warszawa 2008 r. 3. W. Karliński: Dobór próby w audycie. IRiP 2005, Warszawa. 7. Analiza techniczna i fundamentalna Punkty ECTS: 8 pkt. Opis przedmiotu: Uczestnicy zapoznają się z zastosowaniami metod ilościowych na rynkach finansowych. Poznają również sposoby prognozowania na podstawie danych i notowań z rynków finansowych. Zajęcia przybliżą techniki analizowania różnych typów wykresów np. punktowo-symbolicznych, świecowych, słupkowych. Zaprezentowane zostaną metody analizy technicznej takie jak formacje cenowe, oscylatory i inne. Omówiona zostanie również analiza fundamentalna na przykładzie metody zdyskontowanych przepływów pieniężnych oraz analizy wskaźnikowej. Dodatkowo przedstawione zostaną metody zarządzania kapitałem, a także przykłady zastosowania informatyki na rynkach finansowych. Treść kształcenia: 1. Podstawowe metody analizy technicznej. 2. Zarys teorii Dowa oraz teorii fal Elliotta. 3. Rodzaje wykresów cenowych (świecowe, renko oraz kagi). 4. Analiza średnich ruchomych oraz wstęg Bollingera i kanałów cenowych. 5. Zastosowania oscylatorów i wskaźników technicznych. 6. Formacje cenowe w analizie technicznej. 7. Analiza szeregów czasowych - model Arch i Garch. 8. Wprowadzenie do analizy fundamentalnej. 9. Analiza wskaźnikowa oraz metoda zdyskontowanych przepływów pieniężnych. 10. Automatyczne systemy transakcyjne. 11. Programowanie w języku MQL. 12. Zastosowania wybranych narzędzi informatyki do analizy technicznej i fundamentalnej. 19
20 Efekty kształcenia: Po zakończeniu przedmiotu słuchacz potrafi: 1. Interpretować zjawiska zachodzące na rynkach finansowych. 2. Stosować metody ilościowe. 3. Prognozować na podstawie danych i notowań rynków finansowych. 4. Interpretować wskaźniki i różne typy wykresów cenowych. 5. Wybierać i używać metody analizy technicznej i fundamentalnej. 6. Tworzyć własne strategie inwestycyjne. 7. Stosować język MQL. Sposób weryfikacji: Praca pisemna dotycząca wykładu i zajęć laboratoryjnych. Literatura 1. J. Murphy: Analiza techniczna rynków finansowych. WIGPRESS, Warszawa J. Schwager: Analiza techniczna rynków terminowych.. WIGPRES, Warszawa J. Ritchie. Analiza fundamentalna.. WIGPRES, Warszawa K. Jajuga: Giełdowe instrumenty pochodne. Wydawnictwo GPW, Warszawa Ch. LeBeau, D. Lucas: Komputerowa analiza rynków terminowych. WIGPRES, Warszawa S. Nison: Świece i inne japońskie techniki analizowania wykresów. WIGPRES, Warszawa Dokumentacja techniczna języka MQL: 8. Metody statystyczne w badaniach społecznych i gospodarczych Punkty ECTS: 2 pkt. Opis przedmiotu: Przedmiot dotyczy praktycznych zastosowań metod statystycznych w realizacji badań dotyczących zjawisk społecznych i gospodarczych. W trakcie wykładu przedstawiony zostanie proces realizacji badania statystycznego oraz omówione przykłady rzeczywistych badań i ich metodologii. Szczególna uwaga będzie poświęcona zagadnieniom wymagającym zastosowania zaawansowanych metod statystyczno-matematycznych, dotyczącym różnych etapów badania, od jego projektowania, przez gromadzenie i przetwarzanie danych, po analizę wyników (m. in. losowanie próby, imputacja danych brakujących, uogólnianie wyników). Ćwiczenia laboratoryjne w programie STATISTICA, stanowiące uzupełnienie wykładu, dotyczą opracowania danych pochodzących z badań reprezentacyjnych oraz statystycznej analizy wyników badań. 20
Wydział Matematyki i Informatyki PROGRAM KSZTAŁCENIA. Studiów Podyplomowych Analiza Danych i Data Mining
Wydział Matematyki i Informatyki PROGRAM KSZTAŁCENIA Studiów Podyplomowych Analiza Danych i Data Mining I semestr II semestr Razem W L W L W+L ECTS 1.Analiza statystyczna danych - 20 - - 20 6 pkt 2.Data
Bardziej szczegółowoSTUDIA PODYPLOMOWE. Analiza i Eksploracja Danych Rynkowych i Marketingowych. Podstawa prawna
STUDIA PODYPLOMOWE Analiza i Eksploracja Danych Rynkowych i Marketingowych Rodzaj studiów: doskonalące Liczba godzin: 250 Liczba semestrów: dwa semestry Kierownik studiów: dr Paweł Kaczmarczyk Koszt studiów
Bardziej szczegółowoSTUDIA PODYPLOMOWE. Analiza i Eksploracja Danych Rynkowych i Marketingowych. Podstawa prawna
STUDIA PODYPLOMOWE Analiza i Eksploracja Danych Rynkowych i Marketingowych Rodzaj studiów: doskonalące Liczba godzin: 250 Liczba semestrów: dwa semestry Kierownik studiów: dr Paweł Kaczmarczyk Koszt studiów
Bardziej szczegółowo2/4. informatyka" studia I stopnia. Nazwa kierunku studiów i kod. Informatyka WM-I-N-1 programu wg USOS. Tytuł zawodowy uzyskiwany przez
Załącznik Nr 5 do Uchwały Nr 67/2015 Senatu UKSW z dnia 22 maja 2015 r. Dokumentacja dotycząca opisu efektów kształcenia dla programu kształcenia na kierunku informatyka" studia I stopnia Nazwa kierunku
Bardziej szczegółowoKARTA PRZEDMIOTU. 1. NAZWA PRZEDMIOTU: Statystyka matematyczna (STA230) 2. KIERUNEK: MATEMATYKA. 3. POZIOM STUDIÓW: I stopnia
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Statystyka matematyczna (STA230) 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/5 5. LICZBA PUNKTÓW ECTS: 6 6. LICZBA GODZIN: 30
Bardziej szczegółowoUchwała Nr 22/2017/V Senatu Politechniki Lubelskiej z dnia 25 maja 2017 r.
Uchwała Nr 22/2017/V Senatu Politechniki Lubelskiej z dnia 25 maja 2017 r. w sprawie określenia efektów kształcenia dla studiów podyplomowych Analiza danych prowadzonych przez Wydział Zarządzania Na podstawie
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział: Matematyki Kierunek studiów: Matematyka i Statystyka (MiS) Studia w j. polskim Stopień studiów: Pierwszy (1) Profil: Ogólnoakademicki (A) Umiejscowienie kierunku
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoBIOSTATYSTYKA. Liczba godzin. Zakład Statystyki i Informatyki Medycznej
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoProgram kształcenia Studiów Podyplomowych Administrowanie systemami operacyjnymi i serwerami baz danych
Program kształcenia Studiów Podyplomowych Administrowanie systemami operacyjnymi i serwerami baz danych obowiązujący od roku akademickiego 2017/2018 Program kształcenia zatwierdzony przez Radę Wydziału
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Załącznik nr 5b do Uchwały nr 21/2013 Senatu KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Zdrowie Publiczne ogólnoakademicki praktyczny inny jaki. Zakład Statystyki i Informatyki Medycznej
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowo1.INFORMACJE O PRZEDMIOCIE A. Podstawowe dane
Kod przedmiotu:. Pozycja planu: B.1., B.1a 1.INFORMACJE O PRZEDMIOCIE A. Podstawowe dane Nazwa przedmiotu Metody badań na zwierzętach Kierunek studiów Poziom studiów Profil studiów Forma studiów Specjalność
Bardziej szczegółowoKARTA PRZEDMIOTU 1,5 1,5
WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI Zał. nr 4 do ZW 33/01 KARTA PRZEDMIOTU Nazwa w języku polskim BAZY DANYCH Nazwa w języku angielskim DATABASE SYSTEMS Kierunek studiów (jeśli dotyczy): INŻYNIERIA
Bardziej szczegółowozna metody matematyczne w zakresie niezbędnym do formalnego i ilościowego opisu, zrozumienia i modelowania problemów z różnych
Grupa efektów kierunkowych: Matematyka stosowana I stopnia - profil praktyczny (od 17 października 2014) Matematyka Stosowana I stopień spec. Matematyka nowoczesnych technologii stacjonarne 2015/2016Z
Bardziej szczegółowoStudia podyplomowe Metody Statystycznej Analizy Danych Społeczno-Ekonomicznych
Studia podyplomowe Metody Statystycznej Analizy Danych Społeczno-Ekonomicznych Zwięzły opis Studia są odpowiedzią na zapotrzebowanie istniejące na rynku pracowników sektora administracyjnego na poszerzanie
Bardziej szczegółowoPoziom przedmiotu: II stopnia. Liczba godzin/tydzień: 2W E, 2L PRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z podstawowymi metodami i technikami analizy finansowej na podstawie nowoczesnych instrumentów finansowych
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoNazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:
Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych I KARTA PRZEDMIOTU CEL PRZEDMIOTU Informatics systems for the statistical treatment of data Kierunek: Forma studiów Informatyka Stacjonarne
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Załącznik nr 5b do Uchwały senatu UMB nr 61/2016 z dnia 30.05.2016 Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email):
Bardziej szczegółowo1. SEMESTR ROZPOCZĘCIA ZAJĘĆ + CZAS TRWANIA Okres trwania studiów: październik 2017 czerwiec 2018 (dwa semestry).
INFORMACJE O KIERUNKU (DŁUŻSZY OPIS KIERUNKU) MS EXCEL I VBA W BIZNESIE POZIOM ZAAWANSOWANY 1. SEMESTR ROZPOCZĘCIA ZAJĘĆ + CZAS TRWANIA Okres trwania studiów: październik 2017 czerwiec 2018 (dwa semestry).
Bardziej szczegółowoANALITYKA GOSPODARCZA, STUDIA MAGISTERSKIE WIEDZA
ANALITYKA GOSPODARCZA, STUDIA MAGISTERSKIE WIEDZA Ma rozszerzoną wiedzę o charakterze nauk ekonomicznych oraz ich miejscu w AG2_W01 systemie nauk społecznych i w relacjach do innych nauk. AG2_W02 Ma rozszerzoną
Bardziej szczegółowoOpis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań
TABELA ODNIESIEŃ EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA PROGRAMU KSZTAŁCENIA DO EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA OBSZARU KSZTAŁCENIA I PROFILU STUDIÓW PROGRAM KSZTAŁCENIA: POZIOM KSZTAŁCENIA: PROFIL KSZTAŁCENIA:
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
Zał. nr 4 do ZW WYDZIAŁ ELEKTRONIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA MATEMATYCZNA Nazwa w języku angielskim Mathematical Statistics Kierunek studiów (jeśli dotyczy): Specjalność (jeśli
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Załącznik nr 5b do Uchwały senatu UMB nr 61/2016 z dnia 30.05.2016 Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email):
Bardziej szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Załącznik nr 5b do Uchwały senatu UMB nr 61/2016 z dnia 30.05.2016 Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email):
Bardziej szczegółowoMatematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0
Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoUczelnia Łazarskiego Wydział Medyczny Kierunek Lekarski
Uczelnia Łazarskiego Wydział Medyczny Kierunek Lekarski Nazwa przedmiotu INFORMATYKA I BIOSTATYSTYKA Kod przedmiotu WL_ 10 Poziom studiów Jednolite studia magisterskie Status przedmiotu x podstawowy uzupełniający
Bardziej szczegółowoKARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański
KARTA KURSU (do zastosowania w roku akademickim 2015/16) Nazwa Statystyka 2 Nazwa w j. ang. Statistics 2 Kod Punktacja ECTS* 3 Koordynator Dr hab. Tadeusz Sozański (koordynator, konwersatorium) Zespół
Bardziej szczegółowoPolitechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2013/2014
Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Mechaniczny obowiązuje studentów rozpoczynających studia w roku akademickim 2013/2014 Kierunek studiów: Informatyka Stosowana Forma
Bardziej szczegółowoData wydruku: Dla rocznika: 2015/2016. Opis przedmiotu
Sylabus przedmiotu: Specjalność: Statystyka Wszystkie specjalności Data wydruku: 31.01.2016 Dla rocznika: 2015/2016 Kierunek: Wydział: Zarządzanie i inżynieria produkcji Inżynieryjno-Ekonomiczny Dane podstawowe
Bardziej szczegółowoLogistyka I stopień Ogólnoakademicki. Niestacjonarne. Zarządzanie logistyczne Katedra Inżynierii Produkcji Dr Sławomir Luściński
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Z-LOGN1-1071 Techniki komputerowe we wspomaganiu decyzji logistycznych
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Bazy danych Database Kierunek: Rodzaj przedmiotu: obieralny Rodzaj zajęć: wykład, laboratorium Matematyka Poziom kwalifikacji: I stopnia Liczba godzin/tydzień: 2W, 2L Semestr: III Liczba
Bardziej szczegółowoKierunkowe efekty kształcenia (wiedza, umiejętności, kompetencje) Kierunek Informatyka
Załącznik 2 Opis kierunkowych efektów kształcenia w odniesieniu do efektów w obszarze kształcenia nauk ścisłych profil ogólnoakademicki Kierunek informatyka, I stopień tryb stacjonarny. Oznaczenia efektów
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS Nauk o Zdrowiu Dietetyka x ogólnoakademicki praktyczny inny jaki. Zakład Statystyki i Informatyki Medycznej
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
Zał. nr 4 do ZW WYDZIAŁ ELEKTRONIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA MATEMATYCZNA (EiT stopień) Nazwa w języku angielskim Mathematical Statistics Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS. Zakład Statystyki i Informatyki Medycznej. tel./fax (85) dr Robert Milewski
Załącznik nr 5b do Uchwały nr 21/2013 Senatu KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna
Bardziej szczegółowoZ-LOGN Ekonometria Econometrics. Przedmiot wspólny dla kierunku Obowiązkowy polski Semestr IV
bbbbkarta MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Z-LOGN1-0184 Ekonometria Econometrics Obowiązuje od roku akademickiego 2012/2013 A. USYTUOWANIE MODUŁU W SYSTEMIE
Bardziej szczegółowoUCHWAŁA Nr 17/2013 Senatu Uniwersytetu Wrocławskiego z dnia 27 lutego 2013 r.
UCHWAŁA Nr 17/2013 zmieniająca uchwałę w sprawie efektów kształcenia dla kierunków studiów prowadzonych w Uniwersytecie Wrocławskim Na podstawie art. 11 ust. 1 ustawy z dnia 27 lipca 2005 r. Prawo o szkolnictwie
Bardziej szczegółowoI. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE. Nie dotyczy. podstawowy i kierunkowy
1.1.1 Statystyka opisowa I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE STATYSTYKA OPISOWA Nazwa jednostki organizacyjnej prowadzącej kierunek: Kod przedmiotu: P6 Wydział Zamiejscowy w Ostrowie Wielkopolskim
Bardziej szczegółowoOGÓLNOAKADEMICKI. Kierunek studiów ASTRONOMIA o profilu ogólnoakademickim należy do obszaru kształcenia w zakresie nauk ścisłych.
Załącznik do uchwały nr 243 Senatu Uniwersytetu Zielonogórskiego z dnia 28 lutego 2018 r. I. EFEKTY KSZTAŁCENIA 1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami EFEKTY KSZTAŁCENIA
Bardziej szczegółowoCel przedmiotu. Wymagania wstępne w zakresie wiedzy, umiejętności i innych kompetencji 1 Język angielski 2 Inżynieria oprogramowania
Przedmiot: Bazy danych Rok: III Semestr: V Rodzaj zajęć i liczba godzin: Studia stacjonarne Studia niestacjonarne Wykład 30 21 Ćwiczenia Laboratorium 30 21 Projekt Liczba punktów ECTS: 4 C1 C2 C3 Cel przedmiotu
Bardziej szczegółowoPolitechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015
Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Inżynierii Środowiska obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015 Kierunek studiów: Inżynieria Środowiska
Bardziej szczegółowoZARZĄDZANIE I INŻYNIERIA PRODUKCJI
ZARZĄDZANIE I INŻYNIERIA PRODUKCJI STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI Załącznik nr 2 Odniesienie efektów kierunkowych do efektów obszarowych i odwrotnie Załącznik nr 2a - Tabela odniesienia
Bardziej szczegółowoPLAN STUDIÓW STACJONARNYCH PIERWSZEGO STOPNIA DLA KIERUNKU MATEMATYKA NA WYDZIALE MATEMATYKI, INFORMATYKI I EKONOMETRII UNIWERSYTETU ZIELONOGÓRSKIEGO
PLAN STUDIÓW STACJONARNYCH PIERWSZEGO STOPNIA DLA KIERUNKU MATEMATYKA NA WYDZIALE MATEMATYKI, INFORMATYKI I EKONOMETRII UNIWERSYTETU ZIELONOGÓRSKIEGO rekrutacja w roku akademickim 2011/2012 Zatwierdzono:
Bardziej szczegółowokod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2
kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2 Kierunek Turystyka i Rekreacja Poziom kształcenia II stopień Rok/Semestr 1/2 Typ przedmiotu (obowiązkowy/fakultatywny) obowiązkowy y/ ćwiczenia
Bardziej szczegółowoEfekty uczenia się na kierunku. Logistyka (studia pierwszego stopnia o profilu praktycznym)
Efekty uczenia się na kierunku Załącznik nr 2 do uchwały nr 412 Senatu Uniwersytetu Zielonogórskiego z dnia 29 maja 2019 r. Logistyka (studia pierwszego stopnia o profilu praktycznym) Tabela 1. Kierunkowe
Bardziej szczegółowoSYLABUS DOTYCZY CYKLU KSZTAŁCENIA (skrajne daty)
Załącznik nr 4 do Uchwały Senatu nr 430/01/2015 SYLABUS DOTYCZY CYKLU KSZTAŁCENIA 2016-2019 (skrajne daty) 1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE Nazwa przedmiotu/ modułu Statystyka w biologii
Bardziej szczegółowoMATRYCA EFEKTÓW KSZTAŁCENIA
ZAŁĄCZNIK NR 2 MATRYCA EFEKTÓW KSZTAŁCENIA Studia podyplomowe ZARZĄDZANIE FINANSAMI I MARKETING Przedmioty OPIS EFEKTÓW KSZTAŁCENIA Absolwent studiów podyplomowych - ZARZĄDZANIE FINANSAMI I MARKETING:
Bardziej szczegółowoEFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW WYDZIAŁ KIERUNEK z obszaru nauk POZIOM KSZTAŁCENIA FORMA STUDIÓW PROFIL JĘZYK STUDIÓW Podstawowych Problemów Techniki Informatyka technicznych 6 poziom, studia inżynierskie
Bardziej szczegółowoMETODY ILOŚCIOWE W ZARZĄDZANIU
1.1.1 Metody ilościowe w zarządzaniu I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE METODY ILOŚCIOWE W ZARZĄDZANIU Nazwa jednostki organizacyjnej prowadzącej kierunek: Kod przedmiotu: RiAF_PS5 Wydział Zamiejscowy
Bardziej szczegółowoPodsumowanie wyników ankiety
SPRAWOZDANIE Kierunkowego Zespołu ds. Programów Kształcenia dla kierunku Informatyka dotyczące ankiet samooceny osiągnięcia przez absolwentów kierunkowych efektów kształcenia po ukończeniu studiów w roku
Bardziej szczegółowoEFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA poziom kształcenia profil kształcenia tytuł zawodowy uzyskiwany przez absolwenta studia drugiego stopnia ogólnoakademicki magister inżynier 1. Umiejscowienie
Bardziej szczegółowoOPIS ZAKŁADANYCH EFEKTÓW KSZTAŁCENIA NA KIERUNKU INŻYNIERIA DANYCH
Załącznik nr 2 do Uchwały Rady Wydziału Matematyki, Informatyki i Ekonometrii UZ z dnia 20 lutego 2013 roku OPIS ZAKŁADANYCH EFEKTÓW KSZTAŁCENIA NA KIERUNKU INŻYNIERIA DANYCH Podczas tworzenia programu
Bardziej szczegółowoforma studiów: studia stacjonarne Liczba godzin/tydzień: 1, 0, 2, 0, 0
Nazwa przedmiotu: Relacyjne Bazy Danych Relational Databases Kierunek: Zarządzanie i Inżynieria Produkcji Kod przedmiotu: ZIP.GD5.03 Rodzaj przedmiotu: Przedmiot Specjalnościowy na kierunku ZIP dla specjalności
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA KIERUNEK STUDIÓW INFORMATYCZNE TECHNIKI ZARZĄDZANIA
KIERUNKOWE EFEKTY KSZTAŁCENIA KIERUNEK STUDIÓW INFORMATYCZNE TECHNIKI ZARZĄDZANIA Nazwa kierunku studiów: Informatyczne Techniki Zarządzania Ścieżka kształcenia: IT Project Manager, Administrator Bezpieczeństwa
Bardziej szczegółowoZałącznik nr 2 do zarządzenia nr 111 Rektora UŚ z dnia 31 sierpnia 2012 r. Literatura i treści programowe studiów podyplomowych Inwestycje Giełdowe
Załącznik nr 2 do zarządzenia nr 111 Rektora UŚ z dnia 31 sierpnia 2012 r Literatura i treści programowe studiów podyplomowych Inwestycje Giełdowe 1 Opis zakładanych efektów kształcenia na studiach podyplomowych
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu ELEKTROLADIOLOGIA ogólnoakademicki praktyczny inny jaki. Zakład Statystyki i Informatyki Medycznej
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoANALITYKA GOSPODARCZA, STUDIA LICENCJACKIE WIEDZA
ANALITYKA GOSPODARCZA, STUDIA LICENCJACKIE WIEDZA Ma podstawową wiedzę o charakterze nauk ekonomicznych oraz ich miejscu w AG1_W01 systemie nauk społecznych i w relacjach do innych nauk. Ma wiedzę o sposobach
Bardziej szczegółowoZałącznik 2. Symbol efektu obszarowego. Kierunkowe efekty uczenia się (wiedza, umiejętności, kompetencje) dla całego programu kształcenia
Załącznik 2 Opis kierunkowych efektów kształcenia w odniesieniu do efektów w obszarze kształcenia nauk ścisłych profil ogólnoakademicki Kierunek informatyka, II stopień. Oznaczenia efektów obszarowych
Bardziej szczegółowoObjaśnienia oznaczeń w symbolach K przed podkreślnikiem kierunkowe efekty kształcenia W kategoria wiedzy
Efekty kształcenia dla kierunku studiów FIZYKA - studia II stopnia, profil ogólnoakademicki - i ich odniesienia do efektów kształcenia w obszarze nauk ścisłych Kierunek studiów fizyka należy do obszaru
Bardziej szczegółowoUCHWAŁA NR 71/2017 SENATU UNIWERSYTETU WROCŁAWSKIEGO z dnia 31 maja 2017 r.
UCHWAŁA NR 71/2017 SENATU UNIWERSYTETU WROCŁAWSKIEGO z dnia 31 maja 2017 r. zmieniająca uchwałę w sprawie efektów kształcenia dla kierunków studiów prowadzonych w Uniwersytecie Wrocławskim Na podstawie
Bardziej szczegółowoZałącznik nr 4 do uchwały nr 117 Senatu UMK z dnia 30 października 2012 r.
Załącznik nr 4 do uchwały nr 117 Senatu UMK z dnia 30 października 2012 r. E f e k t y k s z t a ł c e n i a d l a k i e r u n k u i i c h r e l a c j e z e f e k t a m i k s z t a ł c e n i a d l a o
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu PIELĘGNIARSTWO ogólnoakademicki x praktyczny inny jaki. Zakład Statystyki i Informatyki Medycznej
Załącznik nr 5b do Uchwały senatu UMB nr 61/2016 z dnia 30.05.2016 Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y)
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina
Bardziej szczegółowoEkonomia II stopień ogólnoakademicki. stacjonarne wszystkie Katedra Matematyki Dr hab. Artur Maciąg. podstawowy. obowiązkowy polski.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Z-EKO2-500 Nazwa modułu Ekonometria i prognozowanie procesów ekonomicznych Nazwa modułu w języku angielskim Econometrics and forecasting economics proceses Obowiązuje
Bardziej szczegółowoEFEKTY KSZTAŁCENIA ORAZ MACIERZE POKRYCIA KIERUNKU ANALITYKA GOSPODARCZA STUDIA LICENCJACKIE
EFEKTY KSZTAŁCENIA ORAZ MACIERZE POKRYCIA KIERUNKU ANALITYKA GOSPODARCZA STUDIA LICENCJACKIE ------------------------------------------------------------------------------------------------- WIEDZA AG1_W01
Bardziej szczegółowoKierunek Zarządzanie I stopnia Szczegółowe efekty kształcenia i ich odniesienie do opisu efektów kształcenia dla obszaru nauk społecznych
Kierunek Zarządzanie I stopnia Szczegółowe efekty kształcenia i ich odniesienie do opisu efektów kształcenia dla obszaru nauk społecznych Objaśnienie oznaczeń: Z efekty kierunkowe W wiedza U umiejętności
Bardziej szczegółowoEfekt kształcenia. Ma uporządkowaną, podbudowaną teoretycznie wiedzę ogólną w zakresie algorytmów i ich złożoności obliczeniowej.
Efekty dla studiów pierwszego stopnia profil ogólnoakademicki na kierunku Informatyka w języku polskim i w języku angielskim (Computer Science) na Wydziale Matematyki i Nauk Informacyjnych, gdzie: * Odniesienie-
Bardziej szczegółowoOsoba posiadająca kwalifikacje II stopnia WIEDZA
ZAMIERZONE KSZTAŁCENIA: Symbol K_W01 K_W0 K_W0 K_W0 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W1 K_W1 K_W1 K_W15 1 K_W15 Osoba posiadająca kwalifikacje II stopnia WIEDZA Ma pogłębioną wiedzę o charakterze
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE. Statystyka opisowa. Zarządzanie. niestacjonarne. I stopnia. dr Agnieszka Strzelecka. ogólnoakademicki.
Politechnika Częstochowska, Wydział Zarządzania PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu Kierunek Forma studiów Poziom kwalifikacji Rok Semestr Jednostka prowadząca Osoba sporządzająca Profil Rodzaj
Bardziej szczegółowoEfekty kształcenia dla kierunku studiów CHEMIA studia pierwszego stopnia profil ogólnoakademicki
Załącznik nr 1 Efekty kształcenia dla kierunku studiów CHEMIA studia pierwszego stopnia profil ogólnoakademicki Umiejscowienie kierunku w obszarze kształcenia Kierunek studiów chemia należy do obszaru
Bardziej szczegółowoZ-ZIP-120z Badania Operacyjne Operations Research. Stacjonarne Wszystkie Katedra Matematyki dr Monika Skóra
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Z-ZIP-120z Badania Operacyjne Operations Research A. USYTUOWANIE MODUŁU
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: PROGNOZOWANIE Z WYKORZYSTANIEM SYSTEMÓW INFORMATYCZNYCH Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU
Bardziej szczegółowoOpisy przedmiotów do wyboru. oferowane na stacjonarnych studiach I stopnia dla 3 roku matematyki semestr letni, rok akademicki 2017/2018
Opisy przedmiotów do wyboru moduły specjalistyczne oferowane na stacjonarnych studiach I stopnia dla 3 roku matematyki semestr letni, rok akademicki 2017/2018 Spis treści 1. Wstęp do matematyki ubezpieczeń..............................
Bardziej szczegółowoZałącznik 2. Symbol efektu obszarowego. Kierunkowe efekty uczenia się (wiedza, umiejętności, kompetencje) dla całego programu kształcenia
Załącznik 2 Opis kierunkowych efektów kształcenia w odniesieniu do efektów w obszarze kształcenia nauk ścisłych profil ogólnoakademicki Kierunek informatyka, II stopień, tryb niestacjonarny. Oznaczenia
Bardziej szczegółowoInżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Bardziej szczegółowoSTUDIA PODYPLOMOWE. Zastosowanie Excela w biznesie. Podstawa prawna
STUDIA PODYPLOMOWE Zastosowanie Excela w biznesie Rodzaj studiów: doskonalące Liczba godzin: 170 Liczba semestrów: dwa semestry Kierownik studiów: dr Paweł Kaczmarczyk Koszt studiów podyplomowych: 1300
Bardziej szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Inżynieria 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia koordynator
Bardziej szczegółowoRok akademicki: 2014/2015 Kod: CCB s Punkty ECTS: 3. Poziom studiów: Studia I stopnia Forma i tryb studiów: -
Nazwa modułu: Technologie informacyjne Rok akademicki: 2014/2015 Kod: CCB-1-104-s Punkty ECTS: 3 Wydział: Inżynierii Materiałowej i Ceramiki Kierunek: Chemia Budowlana Specjalność: - Poziom studiów: Studia
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: przedmiot obowiązkowy w ramach treści kierunkowych, moduł kierunkowy ogólny Rodzaj zajęć: wykład, ćwiczenia I KARTA PRZEDMIOTU CEL PRZEDMIOTU
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) podstawowy (podstawowy / kierunkowy / inny HES)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE WYKŁAD ĆWICZENIA LABORATORIUM PROJEKT SEMINARIUM
Politechnika Częstochowska, Wydział Zarządzania PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu Kierunek Forma studiów Poziom kwalifikacji Rok Semestr Jednostka prowadząca Osoba sporządzająca Profil Rodzaj
Bardziej szczegółowoKARTA KURSU. Elementy statystyki matematycznej. Mathematical statistics
KARTA KURSU Nazwa Nazwa w j. ang. Elementy statystyki matematycznej Mathematical statistics Kod Punktacja ECTS* 5 Koordynator Dr Ireneusz Krech Zespół dydaktyczny: Dr Ireneusz Krech Dr Grażyna Krech Opis
Bardziej szczegółowoMIĘDZYNARODOWE STOSUNKI GOSPODARCZE
Efekty kształcenia dla kierunku MIĘDZYNARODOWE STOSUNKI GOSPODARCZE - studia drugiego stopnia - profil ogólnoakademicki Forma Studiów: stacjonarne i niestacjonarne Wydział Gospodarki Międzynarodowej Uniwersytetu
Bardziej szczegółowoEfekty kształcenia dla kierunku Mechanika i budowa maszyn
Załącznik nr 18 do Uchwały Nr 673 Senatu UWM w Olsztynie z dnia 6 marca 2015 roku w sprawie zmiany Uchwały Nr 187 Senatu UWM w Olsztynie z dnia 26 marca 2013 roku zmieniającej Uchwałę Nr 916 Senatu UWM
Bardziej szczegółowoMetody komputerowe statystyki Computer Methods in Statistics. Matematyka. Poziom kwalifikacji: II stopnia. Liczba godzin/tydzień: 2W, 3L
Nazwa przedmiotu: Kierunek: Metody komputerowe statystyki Computer Methods in Statistics Matematyka Rodzaj przedmiotu: przedmiot obowiązkowy dla specjalności matematyka przemysłowa Rodzaj zajęć: wykład,
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoKARTA PRZEDMIOTU. 1. NAZWA PRZEDMIOTU: Matematyka finansowa (MFI222) 2. KIERUNEK: MATEMATYKA. 3. POZIOM STUDIÓW: I stopnia
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Matematyka finansowa (MFI222) 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: II/4 5. LICZBA PUNKTÓW ECTS: 8 6. LICZBA GODZIN: 30 / 30
Bardziej szczegółowoMIĘDZYNARODOWE STOSUNKI GOSPODARCZE
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW MIĘDZYNARODOWE STOSUNKI GOSPODARCZE studia pierwszego stopnia profil ogólnoakademicki studia drugiego stopnia profil ogólnoakademicki Objaśnienie oznaczeń: S1A obszar
Bardziej szczegółowostudiów Podstawy Statystyki TR/2/PP/STAT 7 3
kod nr w planie ECTS Przedmiot studiów Podstawy Statystyki TR/2/PP/STAT 7 3 Kierunek Turystyka i Rekreacja Poziom kształcenia II stopień Rok/Semestr 1/2 Typ przedmiotu (obowiązkowy/fakultatywny) obowiązkowy
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych Rodzaj zajęć: wykład, laboratorium BAZY DANYCH I SYSTEMY EKSPERTOWE Database and expert systems Forma
Bardziej szczegółowoOsoba posiadająca kwalifikacje II stopnia WIEDZA
ZAMIERZONE KSZTAŁCENIA: Symbol K_W01 K_W0 K_W0 K_W0 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W1 K_W1 K_W1 K_W15 1 K_W15 Osoba posiadająca kwalifikacje II stopnia WIEDZA Ma pogłębioną wiedzę o charakterze
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowo