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 10.06. 2015 r.
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
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
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
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 + + + + + + 11AD_W02 zna rozwiązania informatyczne stosowane w analizie danych, w tym podstawy technik obliczeniowych i programowania, rozumie ich ograniczenia + + + + + + + + 11AD_W03 zna wybrane pakiety oprogramowania, służące do obliczeń symbolicznych, statystyki i eksploracji danych + + + + + + + + + 11AD_W04 posiada ogólną wiedzę w zakresie podstawowych działów analizy danych, w tym podstawowe techniki dotyczące grupowania danych oraz ich klasyfikacji + + + + + + + 5
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 + + + + + + + + + 11AD_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 + + + + + + + 11AD_U02 potrafi obalać błędne hipotezy lub nieuprawnione rozumowania poprzez argumentację opartą na zdobytej wiedzy + + + + + + + 11AD_U03 potrafi zastosować narzędzia matematyczne oraz metody eksploracji danych do analizy zagadnień ekonomicznych + + + + + + + 11AD_U04 potrafi wykorzystywać narzędzia/pakiety oprogramowania/techniki obliczeniowe do rozwiązywania wybranych zagadnień matematycznych i analizy danych + + + + + + + + + 11AD_U05 posiada umiejętność wyboru systemu analizy danych optymalnego dla danego zadania, uwzględniając aspekty ekonomiczne + + + + + + + + 11AD_U06 posiada umiejętność samodzielnego wykonywania projektów analizy danych + + + + + + + + + 11AD_U07 potrafi zastosować techniki usprawniające i optymalizujące procesy analizy danych + + + + + + + + + 11AD_U08 potrafi precyzyjnie analizować złożone procesy decyzyjne i stosować systemowe metody rozwiązywania problemów z zakresu decyzji kierowniczych + + + + 11AD_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 + + + + + + + + + 6
11AD_K02 rozumie znaczenie uczciwości intelektualnej w działaniach własnych i innych osób; postępuje etycznie + + + + + + + + + 11AD_K03 ma krytyczne podejście do otrzymywanych danych i informacji, widzi potrzebę ich weryfikowania + + + + + + + + + 11AD_K04 prawidłowo identyfikuje dylematy związane z wykonywaniem zawodu analityka danych + + + + + + + + + 8. Plan studiów I semestr II semestr Razem W L W L W+L ECTS 1.Analiza statystyczna danych - 20 - - 20 6 pkt 2.Data mining (Eksploracja danych) - - 15 20 35 10 pkt 3.Metody statystyczne 13 15 - - 28 7 pkt 4.Bazy danych i język SQL - - 15 20 35 10 pkt 5.Analiza portfelowa - - 10 20 30 8 pkt 6.Audytorskie metody analizy danych - 28 - - 28 7 pkt 7.Analiza techniczna i fundamentalna 10 20 - - 30 8 pkt 8.Metody statystyczne w badaniach - - 6 4 10 2 pkt społecznych i gospodarczych 9.Arkusze kalkulacyjne i VBA - 15 - - 15 3 pkt RAZEM 23 98 46 64 231 61 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
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 2010-2015. 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 2010-2020 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
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
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
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
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 2002. 3. 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
(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, 2011. 2. D. Larose, A. Wilbik. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2013. 3. M. Walesiak, E. Gatnar, A. Bąk. Statystyczna analiza danych z wykorzystaniem programu R. Warszawa: Wydawnictwo Naukowe PWN, 2009. 4. D. Larose: Metody i modele eksploracji danych. PWN 2008. 5. J. Han, M. Kamber: Data Mining: Concepts and Techniques. Elsevier 2012. 6. F. Gorunescu: Data Mining: Concepts, Models and Techniques. Springer 2011. 3. 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
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
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
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.2. 4. 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
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
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
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
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 1999. 2. J. Schwager: Analiza techniczna rynków terminowych.. WIGPRES, Warszawa 2002. 3. J. Ritchie. Analiza fundamentalna.. WIGPRES, Warszawa 1997. 4. K. Jajuga: Giełdowe instrumenty pochodne. Wydawnictwo GPW, Warszawa 2006. 5. Ch. LeBeau, D. Lucas: Komputerowa analiza rynków terminowych. WIGPRES, Warszawa 1998. 6. S. Nison: Świece i inne japońskie techniki analizowania wykresów. WIGPRES, Warszawa 1999. 7. Dokumentacja techniczna języka MQL: http://www.mql4.com 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