Big Data Analytics for Business

ekonomia i finanse

średnio-zaawansowany

EK1_WO4

EK1_UO3

EK1_UO4

EK1_UO9

EK1_kO3

Podstawowa znajomość statystyki opisowej

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.

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

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.

E-Learning (pełny kurs)

obowiązkowy

nie dotyczy

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

obowiązkowy

nie dotyczy