Big Data Analytics for Business
Informacje ogólne
Kod przedmiotu: | WSE-EK-MON-BDAB |
Kod Erasmus / ISCED: |
(brak danych)
/
(0311) Ekonomia
|
Nazwa przedmiotu: | Big Data Analytics for Business |
Jednostka: | Wydział Społeczno-Ekonomiczny |
Grupy: | |
Punkty ECTS i inne: |
4.00
LUB
6.00
(w zależności od programu)
|
Język prowadzenia: | angielski |
Dyscyplina naukowa, do której odnoszą się efekty uczenia się: | ekonomia i finanse |
Poziom przedmiotu: | średnio-zaawansowany |
Symbol/Symbole kierunkowe efektów uczenia się: | EK1_WO4 EK1_UO3 EK1_UO4 EK1_UO9 EK1_kO3 |
Wymagania wstępne: | Podstawowa znajomość statystyki opisowej |
Pełny opis: |
Istnieje wykładniczy wzrost ilości danych generowanych przez człowieka i coraz potężniejszych maszyn, które sobie z tym radzą. Naukowcy zajmujący się danymi zaproponowali ostatnio różne metody analizy tej kategorii danych, których zakres dotyka każdego obszaru nauki społecznych. Ważne jest, aby decydenci ekonomiczni mogli zrozumieć i zinterpretować wyniki dostarczone przez analityków danych na poziomie mikroekonomicznym i makroekonomicznym. To jest właśnie cel tego kursu pod względem kompetencji społecznych, dla przyszłych ekonomistów i liderów biznesu, aby zapoznać się z wizualizacją i analizą Big Data w celu rozwiązania podstawowych pytań. Ten kurs wprowadzi Big Data i omówi, co pociąga za sobą analiza tych danych, a także związane z tym wyzwania techniczne, koncepcyjne i etyczne. Zapewnia również podstawowe doświadczenie w zarządzaniu i analizie dużych i złożonych struktur danych powszechnie określanych jako eksploracja danych lub analiza eksploracyjna. |
Efekty kształcenia i opis ECTS: |
Wiedza Student będzie w stanie opisać różne rodzaje obserwacji statystycznych. Będzie on w stanie zdefiniować Big Data w różnych aspektach związanych z analityką biznesową i eksploracją danych. Student będzie ze znanymi wizualnymi reprezentacjami danych i będzie w stanie je zinterpretować. UMIEJĘTNOŚCI Student będzie mógł • Wybierz metody ilościowe w zależności od rodzaju problemu • Zastosuj podstawowe metody ilościowe Big Data i zinterpretuj wyniki • Opiniuj mocne strony i ograniczenia treści wniosków empirycznych. KOMPETENCJE Student potrafi dobierać metody ilościowe w zależności od rodzaju postawionego problemu. Student jest przygotowany do prawidłowego zastosowania podstawowych metod ilościowych Big Data oraz interpretacji otrzymanych wyników. Student opiniuje mocne i słabe strony treści wniosków empirycznych. Aktywność studencka Nakład pracy studenta w godzinach udział w wykładzie 30 przygotowanie do dyskusji międzygrupowych(projekty w małych grupach) 25 konsultacja 5 czas na napisanie pracy 10 czas na samoocenę pracy międzygrupowej 5 przygotowanie do egzaminu 25 CAŁKOWITA LICZBA GODZIN 100 LICZBA PUNKTÓW ECTS 100 godzin / 30 (25) godzin ≈ 4 |
Metody i kryteria oceniania: |
Forma zajęć: Wykład monograficzny Na ocenę końcową składa się praca w grupach i egzamin końcowy pisemny. Ocena końcowa obejmuje ocenę z egzaminu pisemnego (50%) i ocenę z samooceny pracy międzygrupowej (50%). 10 pkt - ocena: 5.0 8-9 pkt - ocena: 4,5 7-8 pkt - ocena: 4.0 6-7 pkt - ocena: 3,5 5-6 pkt - ocena: 3.0 poniżej 5 pkt - ocena: 2,0 2 – niedostateczna- Student nie dostarczył pracy lub praca nie jest jego niezależnym osiągnięciem, jest chaotyczna w odniesieniu do różnych koncepcji Big Data i metod analizy technicznej. Student nie rozumie podstawowych pojęć związanych z analityką Big Data i unika dyskusji związanych z kwestiami Big Data 3 – dostateczna- Student udowadnia, że rozumie podstawowe pojęcia Big Data w różnych aspektach związanych z analityką biznesową i eksploracją danych pokazaną na wykładzie. Może wizualizować dane statystyczne za pomocą oprogramowania omówionego podczas wykładów. Nadal wykazuje trudności z empiryczną stroną Big Data w odniesieniu do technik eksploracji danych. Student ma podstawowe spostrzeżenia związane z koncepcjami i wizualizacją Big Data. Nie opanowuje technik obliczeniowych, ale uznaje ich przydatność. Byłby gotów zwiększyć wiedzę i umiejętności do celów zawodowych. 4 – dobra- Student wykonał dobrą pracę i prawidłowo określił problemy i pozycje. Jest w stanie wybrać i zastosować odpowiednie metody ilościowe w zależności od rodzaju problemu. Student inicjuje dyskusje związane z zagadnieniami Big Data i rozumie różne raporty prezentowane przez inżynierów danych w dziedzinie analityki biznesowej lub ekonomicznej. 5 -bardzo dobra- Student wykonał dobrą pracę i poprawnie określił problemy i pozycje. Jest w stanie wybrać i zastosować odpowiednie metody ilościowe w zależności od rodzaju problemu. Potrafi odpowiednio zinterpretować rozwiązanie i pokazać, aby nawiązywać do literatury zaproponowanej w sylabusie. Student inicjuje dyskusje związane z zagadnieniami Big Data, może wybrać i skutecznie zastosować techniki obliczeniowe do rozwiązywania problemów w analityce biznesowej i rozumie implikacje Big Data w biznesie i może umieścić je w szerszym kontekście codziennego życia. |
Zajęcia w cyklu "Semestr zimowy 2021/22" (zakończony)
Okres: | 2021-10-01 - 2022-01-31 |
Przejdź do planu
PN WYK_MON
WT ŚR CZ PT |
Typ zajęć: |
Wykład monograficzny, 30 godzin, 20 miejsc
|
|
Koordynatorzy: | Second Bwanakare | |
Prowadzący grup: | Second Bwanakare | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Wykład monograficzny - Zaliczenie na ocenę |
|
E-Learning: | E-Learning (pełny kurs) |
Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)
Okres: | 2022-10-01 - 2023-01-31 |
Przejdź do planu
PN WT WYK_MON
ŚR CZ PT |
Typ zajęć: |
Wykład monograficzny, 30 godzin, 24 miejsc
|
|
Koordynatorzy: | Second Bwanakare | |
Prowadzący grup: | Second Bwanakare | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Wykład monograficzny - Zaliczenie na ocenę |
|
Opis nakładu pracy studenta w ECTS: | Aktywność studencka Nakład pracy studenta w godzinach udział w wykładzie 30 przygotowanie do dyskusji międzygrupowych 25 konsultacja 5 czas na napisanie pracy 10 czas na samoocenę pracy międzygrupowej 5 przygotowanie do egzaminu 25 CAŁKOWITA LICZBA GODZIN 100 LICZBA PUNKTÓW ECTS 100 godzin / 30 (25) godzin ≈ 4 |
Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)
Okres: | 2023-10-01 - 2024-01-31 |
Przejdź do planu
PN WT WYK_MON
ŚR CZ PT |
Typ zajęć: |
Wykład monograficzny, 30 godzin, 31 miejsc
|
|
Koordynatorzy: | Second Bwanakare | |
Prowadzący grup: | Second Bwanakare | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Wykład monograficzny - Zaliczenie na ocenę |
|
Opis nakładu pracy studenta w ECTS: | Aktywność studencka Nakład pracy studenta w godzinach udział w wykładzie 30 przygotowanie do dyskusji międzygrupowych 25 konsultacja 5 czas na napisanie pracy 10 czas na samoocenę pracy międzygrupowej 5 przygotowanie do egzaminu 25 CAŁKOWITA LICZBA GODZIN 100 LICZBA PUNKTÓW ECTS 100 godzin / 30 (25) godzin ≈ 4 |
|
Typ przedmiotu: | fakultatywny dowolnego wyboru |
|
Grupa przedmiotów ogólnouczenianych: | nie dotyczy |
|
Skrócony opis: |
Ten kurs wprowadzi podstawowe pojęcia Big Data i omówi, na czym polega analiza Big Data, a także związane z nią wyzwania techniczne, koncepcyjne i etyczne. Zapewnia także podstawowe techniki zarządzania i analizowania dużych i złożonych struktur danych, powszechnie określane jako eksploracja danych lub analiza eksploracyjna. Aby ułatwić zrozumienie tego kursu, będziesz potrzebować podstawowej wiedzy na temat statystyki opisowej |
|
Pełny opis: |
Istnieje wykładniczy wzrost ilości danych generowanych przez człowieka i coraz potężniejszych maszyn, które sobie z tym radzą. Naukowcy zajmujący się danymi zaproponowali ostatnio różne metody analizy tej kategorii danych, których zakres dotyka każdego obszaru nauki społecznych. Ważne jest, aby decydenci ekonomiczni mogli zrozumieć i zinterpretować wyniki dostarczone przez analityków danych na poziomie mikroekonomicznym i makroekonomicznym. To jest właśnie cel tego kursu pod względem kompetencji społecznych, dla przyszłych ekonomistów i liderów biznesu, aby zapoznać się z wizualizacją i analizą Big Data w celu rozwiązania podstawowych pytań. Ten kurs wprowadzi Big Data i omówi, co pociąga za sobą analiza tych danych, a także związane z tym wyzwania techniczne, koncepcyjne i etyczne. Zapewnia również podstawowe doświadczenie w zarządzaniu i analizie dużych i złożonych struktur danych powszechnie określanych jako eksploracja danych lub analiza eksploracyjna. |
|
Literatura: |
1) Craig Stedman, redaktor w Large, SearchDataManagement.com, The ultimate guide to big data for businesses, https://searchdatamanagement.techtarget.com/pro/The-Ultimate-Guide-to-Big-Data-for-Businesses?vgnextfmt=confirmation. Aby uzyskać więcej informacji, odwiedź stronę http://SearchDataManagement.com/ 2) Hrudaya Kumar Thripathy, Analiza danych (str. 1-55), https://www.slideshare.net/hktripathy/lecture1-introduction-to-big-data 3) S. Bwanakare (et al.), ESSnet Big Data I, WP7 Reports, milestones and deliverables1, EUROSTAT, 2017, https://ec.europa.eu/eurostat/cros/search/site/WP7%2520Multiple%2520domains_en . Teksty fakultatywne: 1) Thomas H. Davenport , Analytics 3.0: Big Data and Small Data in Big and Small Companies, Wykład dziekana, Berkeley School of Information, 18 września 2013 r. https://www.ischool.berkeley.edu/events/2013/analytics-30-big-data-and-small-data-big-and-small-companies 2) S. Bwanakare (et al.), Reconciling conflicting cross-border data sources for updating national accounts: The cross-entropy econometrics approach, Statistical Journal of the IAOS, vol. Pre-press, nie. Pre-press, ss. 1–9, 2020 r., https://content.iospress.com/articles/statistical-journal-of-the-iaos/sji180489 3) R. Raka i S. Bwanakare, Ilościowa charakterystyka korelacji danych meteorologicznych, Polska Akademia Nauk, Acta Physica Polonica A,vol. 129/5, maj 2016, DOI: 10.12693 / APhysPolA.129.922 lub http://przyrbwn.icm.edu.pl/APP/PDF/129/a129z5p05.pdf |
Zajęcia w cyklu "Semestr zimowy 2024/25" (zakończony)
Okres: | 2024-10-01 - 2025-01-31 |
Przejdź do planu
PN WYK_MON
WT ŚR CZ PT |
Typ zajęć: |
Wykład monograficzny, 30 godzin
|
|
Koordynatorzy: | Second Bwanakare | |
Prowadzący grup: | Second Bwanakare | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Wykład monograficzny - Zaliczenie na ocenę |
|
Typ przedmiotu: | obowiązkowy |
|
Grupa przedmiotów ogólnouczenianych: | nie dotyczy |
Właścicielem praw autorskich jest Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie.