Drukuj sylabusData science w biznesie II
Informacje ogólne
| Kod przedmiotu: | 23A0K0-D |
| Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
| Nazwa przedmiotu: | Data science w biznesie II |
| Jednostka: | Szkoła Główna Handlowa w Warszawie |
| Grupy: | |
| Punkty ECTS i inne: |
3.00 (zmienne w czasie)
|
| Język prowadzenia: | polski |
| Efekty uczenia się: |
Wiedza: Student ma wiedzę na temat architektury gromadzenia danych biznesowych. Student ma wiedzę o narzędziach data science służących do prognozowania i klasteryzacji danych, a także o metodach ich weryfikacji i modyfikacji. Student ma wiedzę na temat modeli optymalizacji matematycznej. Umiejętności: Student potrafi projektować architekturę przepływu danych w przedsiębiorstwie. Student potrafi samodzielnie budować i weryfikować własności statystyczne podstawowych modeli prognostycznych i modeli klasteryzacji danych. Student potrafi właściwie dopasować rodzaje narzędzi data science do problemów biznesowych i ocenić ich użyteczność. Kompetencje społeczne: Student potrafi komunikować się i zarządzać zespołami składającymi się z osób o różnym poziomie wiedzy technicznej, które realizują transformację data science w przedsiębiorstwach. Student rozumie znaczenie data science w budowaniu wartości w przedsiębiorstwach. |
Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)
| Okres: | 2025-02-15 - 2025-09-30 |
 
PN WT ŚR CZ PT |
| Typ zajęć: |
Laboratorium, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Piotr Ciżkowicz | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Laboratorium - Ocena |
|
| Skrócony opis: |
W trakcie zajęć studenci analizują, w jaki sposób wykorzystywać różne struktury danych do budowy modeli data science w celu wspierania decyzji biznesowych z wykorzystaniem najpopularniejszych narzędzi informatycznych stosowanych w tej dziedzinie (m.in. język programowania Python, Juyter Notebook, AWS). Zajęcia mają na celu ilustrację praktycznego zastosowania narzędzi data science, są prowadzone w laboratorium komputerowym. |
|
| Pełny opis: |
Głównym celem proponowanego przedmiotu jest zaznajomienie studentów z praktycznymi aspektami produkcyjnych wdrożeń rozwiązań Data Science w przedsiębiorstwach. W obszarze tym autorzy oferty mają doświadczenie biznesowe bazujące na wdrożeniach w kilkunastu firmach będących liderami w swoich branżach w Polsce. Rzeczywiste wdrożenia rzadko kiedy wychodzą z fazy tzw. proof of concept ze względu na problemy związane z a. poprawnym zdefiniowaniem wymagań biznesowych b. produkcyjną integracją opracowanych modeli z rzeczywistymi zbiorami danych, na których operują firmy c. wkomponowaniem rozwiązań Data Science w rzeczywiste procesy decyzyjne firm W efekcie, jak wskazują liczne badania, zaledwie 15-20% wdrożeń rozwiązań Data Science osiąga zakładane efekty biznesowe. Powodem tak słabego wyniku nie jest w większości przypadków złożoność samych narzędzi Data Science, lecz nieumiejętność poprawnego zdefiniowana celów, jakie te narzędzia mają realizować, a także dobór narzędzi adekwatnych do zdefiniowanego celu. Celem przedmiotu jest wyposażenie studentów w te kompetencje tzn. praktyczne umiejętności zastosowania narzędzi data science w przedsiębiorstwach. Tematyka zajęć obejmuje projektowanie i tworzenie architektury do analizy danych, samodzielną budowę modeli data science, krytyczną ocenę i metody modyfikacji modeli w celu poprawy ich własności, a także zasady produkcyjnego utrzymania modeli. Zajęcia są prowadzone w laboratorium komputerowym. Uczestnictwo w zajęciach wymaga podstawowej wiedzy informatycznej. |
|
| Literatura: |
Literatura podstawowa: Fawcett T., Provost F. (2019): Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Helion. Sharda R., Delen D., Turban E. (2017) : Business Intelligence, Analytics, and Data Science: Managerial Perspective, Pearson. Bekes G. Kezdi G. (2021): Data Analysis for Business, Economics, and Policy, Cambridge University Press. Literatura uzupełniająca: 1. Douglas B. Laney, 2022, Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets 2. Caroline Carruthers , Peter Jackson, 2020, The Chief Data Officer's Playbook, Facet Publishing 3. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter, O'Reilly Media Publikacje własne: Łukasz Dąbroś, Wiktor Wojciechowski, Jarosław Bełdowski, Judges and court performance: a case study of district commercial courts in Poland , W: European Journal of Law and Economics,2020; Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, The effects of special economic zones on employment and investment: a spatial panel modeling perspective, W: JOURNAL OF ECONOMIC GEOGRAPHY,2017; Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, Why Do Some Special Economic Zones Attract More Firms Than Others? Panel Data Analysis of Polish Special Economic Zones, W: Prague Economic Papers,2021 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 0.00% egzamin testowy: 0.00% egzamin ustny: 0.00% kolokwium: 70.00% referaty/eseje: 0.00% ocena z ćwiczeń: 0.00% inne: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 30.00% |
|
Zajęcia w cyklu "Semestr zimowy 2024/25" (w trakcie)
| Okres: | 2024-10-01 - 2025-02-14 |
PN WT ŚR CZ PT |
| Typ zajęć: |
Laboratorium, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Laboratorium - Ocena |
|
| Skrócony opis: |
W trakcie zajęć studenci analizują, w jaki sposób wykorzystywać różne struktury danych do budowy modeli data science w celu wspierania decyzji biznesowych z wykorzystaniem najpopularniejszych narzędzi informatycznych stosowanych w tej dziedzinie (m.in. język programowania Python, Juyter Notebook, AWS). Zajęcia mają na celu ilustrację praktycznego zastosowania narzędzi data science, są prowadzone w laboratorium komputerowym. |
|
| Pełny opis: |
Głównym celem proponowanego przedmiotu jest zaznajomienie studentów z praktycznymi aspektami produkcyjnych wdrożeń rozwiązań Data Science w przedsiębiorstwach. W obszarze tym autorzy oferty mają doświadczenie biznesowe bazujące na wdrożeniach w kilkunastu firmach będących liderami w swoich branżach w Polsce. Rzeczywiste wdrożenia rzadko kiedy wychodzą z fazy tzw. proof of concept ze względu na problemy związane z a. poprawnym zdefiniowaniem wymagań biznesowych b. produkcyjną integracją opracowanych modeli z rzeczywistymi zbiorami danych, na których operują firmy c. wkomponowaniem rozwiązań Data Science w rzeczywiste procesy decyzyjne firm W efekcie, jak wskazują liczne badania, zaledwie 15-20% wdrożeń rozwiązań Data Science osiąga zakładane efekty biznesowe. Powodem tak słabego wyniku nie jest w większości przypadków złożoność samych narzędzi Data Science, lecz nieumiejętność poprawnego zdefiniowana celów, jakie te narzędzia mają realizować, a także dobór narzędzi adekwatnych do zdefiniowanego celu. Celem przedmiotu jest wyposażenie studentów w te kompetencje tzn. praktyczne umiejętności zastosowania narzędzi data science w przedsiębiorstwach. Tematyka zajęć obejmuje projektowanie i tworzenie architektury do analizy danych, samodzielną budowę modeli data science, krytyczną ocenę i metody modyfikacji modeli w celu poprawy ich własności, a także zasady produkcyjnego utrzymania modeli. Zajęcia są prowadzone w laboratorium komputerowym. Uczestnictwo w zajęciach wymaga podstawowej wiedzy informatycznej. |
|
| Literatura: |
Literatura podstawowa: Fawcett T., Provost F. (2019): Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Helion. Sharda R., Delen D., Turban E. (2017) : Business Intelligence, Analytics, and Data Science: Managerial Perspective, Pearson. Bekes G. Kezdi G. (2021): Data Analysis for Business, Economics, and Policy, Cambridge University Press. Literatura uzupełniająca: 1. Douglas B. Laney, 2022, Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets 2. Caroline Carruthers , Peter Jackson, 2020, The Chief Data Officer's Playbook, Facet Publishing 3. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter, O'Reilly Media Publikacje własne: Łukasz Dąbroś, Wiktor Wojciechowski, Jarosław Bełdowski, Judges and court performance: a case study of district commercial courts in Poland , W: European Journal of Law and Economics,2020; Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, The effects of special economic zones on employment and investment: a spatial panel modeling perspective, W: JOURNAL OF ECONOMIC GEOGRAPHY,2017; Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, Why Do Some Special Economic Zones Attract More Firms Than Others? Panel Data Analysis of Polish Special Economic Zones, W: Prague Economic Papers,2021 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 0.00% egzamin testowy: 0.00% egzamin ustny: 0.00% kolokwium: 70.00% referaty/eseje: 0.00% ocena z ćwiczeń: 0.00% inne: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 30.00% |
|
Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)
| Okres: | 2024-02-24 - 2024-09-30 |
PN WT ŚR CZ LAB
PT |
| Typ zajęć: |
Laboratorium, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Piotr Ciżkowicz | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Laboratorium - Ocena |
|
| Skrócony opis: |
W trakcie zajęć studenci analizują, w jaki sposób wykorzystywać różne struktury danych do budowy modeli data science w celu wspierania decyzji biznesowych z wykorzystaniem najpopularniejszych narzędzi informatycznych stosowanych w tej dziedzinie (m.in. język programowania Python, Juyter Notebook, AWS). Zajęcia mają na celu ilustrację praktycznego zastosowania narzędzi data science, są prowadzone w laboratorium komputerowym. |
|
| Pełny opis: |
Głównym celem proponowanego przedmiotu jest zaznajomienie studentów z praktycznymi aspektami produkcyjnych wdrożeń rozwiązań Data Science w przedsiębiorstwach. W obszarze tym autorzy oferty mają doświadczenie biznesowe bazujące na wdrożeniach w kilkunastu firmach będących liderami w swoich branżach w Polsce. Rzeczywiste wdrożenia rzadko kiedy wychodzą z fazy tzw. proof of concept ze względu na problemy związane z a. poprawnym zdefiniowaniem wymagań biznesowych b. produkcyjną integracją opracowanych modeli z rzeczywistymi zbiorami danych, na których operują firmy c. wkomponowaniem rozwiązań Data Science w rzeczywiste procesy decyzyjne firm W efekcie, jak wskazują liczne badania, zaledwie 15-20% wdrożeń rozwiązań Data Science osiąga zakładane efekty biznesowe. Powodem tak słabego wyniku nie jest w większości przypadków złożoność samych narzędzi Data Science, lecz nieumiejętność poprawnego zdefiniowana celów, jakie te narzędzia mają realizować, a także dobór narzędzi adekwatnych do zdefiniowanego celu. Celem przedmiotu jest wyposażenie studentów w te kompetencje tzn. praktyczne umiejętności zastosowania narzędzi data science w przedsiębiorstwach. Tematyka zajęć obejmuje projektowanie i tworzenie architektury do analizy danych, samodzielną budowę modeli data science, krytyczną ocenę i metody modyfikacji modeli w celu poprawy ich własności, a także zasady produkcyjnego utrzymania modeli. Zajęcia są prowadzone w laboratorium komputerowym. Uczestnictwo w zajęciach wymaga podstawowej wiedzy informatycznej. |
|
| Literatura: |
Literatura podstawowa: Fawcett T., Provost F. (2019): Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Helion. Sharda R., Delen D., Turban E. (2017) : Business Intelligence, Analytics, and Data Science: Managerial Perspective, Pearson. Bekes G. Kezdi G. (2021): Data Analysis for Business, Economics, and Policy, Cambridge University Press. Literatura uzupełniająca: 1. Douglas B. Laney, 2022, Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets 2. Caroline Carruthers , Peter Jackson, 2020, The Chief Data Officer's Playbook, Facet Publishing 3. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter, O'Reilly Media Publikacje własne: Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, The effects of special economic zones on employment and investment: a spatial panel modeling perspective, W: JOURNAL OF ECONOMIC GEOGRAPHY,2017; Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, Why Do Some Special Economic Zones Attract More Firms Than Others? Panel Data Analysis of Polish Special Economic Zones, W: Prague Economic Papers,2021; Łukasz Dąbroś, Wiktor Wojciechowski, Jarosław Bełdowski, Judges and court performance: a case study of district commercial courts in Poland , W: European Journal of Law and Economics,2020 Doświadczenie zawodowe lub doświadczenie dydaktyczne: Doświadczenie zawodowe lub doświadczenie dydaktyczne: Członkowie zespołu są czynnymi akademikami i praktykami gospodarczymi specjalizującymi się w projektowaniu, realizacji i zarządzaniem procesami transformacji data science w przedsiębiorstwach działających w różnych sektorach gospodarki. Posiadają wiedzę i umiejętności w tworzeniu i implementacji narzędzi uczenia maszynowego i optymalizacji matematycznej do wspierania decyzji biznesowych. Członkowie zespołu cyklicznie prezentują efekty wdrożeń rozwiązań data science na czołowych konferencjach z tego obszaru: Ciżkowicz P., Szufel P. (2021): Planning bicycle manufacturing and distribution with massive optimization models, Data Science Summit 2021 Ciżkowicz P., Polutichy N., Szufel P. (2022) Mathematical optimization for multi-stage multi-source industrial production planning and managing stockpile costs, Data Science Summit 2022 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 0.00% egzamin testowy: 0.00% egzamin ustny: 0.00% kolokwium: 70.00% referaty/eseje: 0.00% ocena z ćwiczeń: 0.00% inne: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 30.00% |
|
Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)
| Okres: | 2023-10-01 - 2024-02-23 |
PN WT ŚR CZ PT |
| Typ zajęć: |
Laboratorium, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Laboratorium - Ocena |
|
| Skrócony opis: |
W trakcie zajęć studenci analizują, w jaki sposób wykorzystywać różne struktury danych do budowy modeli data science w celu wspierania decyzji biznesowych z wykorzystaniem najpopularniejszych narzędzi informatycznych stosowanych w tej dziedzinie (m.in. język programowania Python, Juyter Notebook, AWS). Zajęcia mają na celu ilustrację praktycznego zastosowania narzędzi data science, są prowadzone w laboratorium komputerowym. |
|
| Pełny opis: |
Głównym celem proponowanego przedmiotu jest zaznajomienie studentów z praktycznymi aspektami produkcyjnych wdrożeń rozwiązań Data Science w przedsiębiorstwach. W obszarze tym autorzy oferty mają doświadczenie biznesowe bazujące na wdrożeniach w kilkunastu firmach będących liderami w swoich branżach w Polsce. Rzeczywiste wdrożenia rzadko kiedy wychodzą z fazy tzw. proof of concept ze względu na problemy związane z a. poprawnym zdefiniowaniem wymagań biznesowych b. produkcyjną integracją opracowanych modeli z rzeczywistymi zbiorami danych, na których operują firmy c. wkomponowaniem rozwiązań Data Science w rzeczywiste procesy decyzyjne firm W efekcie, jak wskazują liczne badania, zaledwie 15-20% wdrożeń rozwiązań Data Science osiąga zakładane efekty biznesowe. Powodem tak słabego wyniku nie jest w większości przypadków złożoność samych narzędzi Data Science, lecz nieumiejętność poprawnego zdefiniowana celów, jakie te narzędzia mają realizować, a także dobór narzędzi adekwatnych do zdefiniowanego celu. Celem przedmiotu jest wyposażenie studentów w te kompetencje tzn. praktyczne umiejętności zastosowania narzędzi data science w przedsiębiorstwach. Tematyka zajęć obejmuje projektowanie i tworzenie architektury do analizy danych, samodzielną budowę modeli data science, krytyczną ocenę i metody modyfikacji modeli w celu poprawy ich własności, a także zasady produkcyjnego utrzymania modeli. Zajęcia są prowadzone w laboratorium komputerowym. Uczestnictwo w zajęciach wymaga podstawowej wiedzy informatycznej. |
|
| Literatura: |
Literatura podstawowa: Fawcett T., Provost F. (2019): Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Helion. Sharda R., Delen D., Turban E. (2017) : Business Intelligence, Analytics, and Data Science: Managerial Perspective, Pearson. Bekes G. Kezdi G. (2021): Data Analysis for Business, Economics, and Policy, Cambridge University Press. Literatura uzupełniająca: 1. Douglas B. Laney, 2022, Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets 2. Caroline Carruthers , Peter Jackson, 2020, The Chief Data Officer's Playbook, Facet Publishing 3. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter, O'Reilly Media Publikacje własne: Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, The effects of special economic zones on employment and investment: a spatial panel modeling perspective, W: JOURNAL OF ECONOMIC GEOGRAPHY,2017; Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, Why Do Some Special Economic Zones Attract More Firms Than Others? Panel Data Analysis of Polish Special Economic Zones, W: Prague Economic Papers,2021; Łukasz Dąbroś, Wiktor Wojciechowski, Jarosław Bełdowski, Judges and court performance: a case study of district commercial courts in Poland , W: European Journal of Law and Economics,2020 Doświadczenie zawodowe lub doświadczenie dydaktyczne: Doświadczenie zawodowe lub doświadczenie dydaktyczne: Członkowie zespołu są czynnymi akademikami i praktykami gospodarczymi specjalizującymi się w projektowaniu, realizacji i zarządzaniem procesami transformacji data science w przedsiębiorstwach działających w różnych sektorach gospodarki. Posiadają wiedzę i umiejętności w tworzeniu i implementacji narzędzi uczenia maszynowego i optymalizacji matematycznej do wspierania decyzji biznesowych. Członkowie zespołu cyklicznie prezentują efekty wdrożeń rozwiązań data science na czołowych konferencjach z tego obszaru: Ciżkowicz P., Szufel P. (2021): Planning bicycle manufacturing and distribution with massive optimization models, Data Science Summit 2021 Ciżkowicz P., Polutichy N., Szufel P. (2022) Mathematical optimization for multi-stage multi-source industrial production planning and managing stockpile costs, Data Science Summit 2022 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 0.00% egzamin testowy: 0.00% egzamin ustny: 0.00% kolokwium: 70.00% referaty/eseje: 0.00% ocena z ćwiczeń: 0.00% inne: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 30.00% |
|
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
