Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie - Centralny System Uwierzytelniania
Strona główna

Big Data Analytics for Business

Informacje ogólne

Kod przedmiotu: WSE-EK-MON-BDAB
Kod Erasmus / ISCED: (brak danych) / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Big Data Analytics for Business
Jednostka: Wydział Społeczno-Ekonomiczny
Grupy: Grupa przedmiotów - oferta Erasmus
Punkty ECTS i inne: 4.00 LUB 6.00 (w zależności od programu) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład monograficzny, 30 godzin, 20 miejsc więcej informacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład monograficzny, 30 godzin, 24 miejsc więcej informacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład monograficzny, 30 godzin, 31 miejsc więcej informacji
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" (jeszcze nie rozpoczęty)

Okres: 2024-10-01 - 2025-01-31
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład monograficzny, 30 godzin, 10 miejsc więcej informacji
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

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie.
ul. Dewajtis 5,
01-815 Warszawa
tel: +48 22 561 88 00 https://uksw.edu.pl
kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-1 (2024-05-13)