Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Big data (w języku polskim)

Informacje ogólne

Kod przedmiotu: 223090-D
Kod Erasmus / ISCED: 11.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0612) Database and network design and administration Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Big data (w języku polskim)
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty kierunkowe do wyboru SMMD-EKO
Przedmioty kierunkowe do wyboru SMMD-ZFP
Przedmioty obowiązkowe na programie SMMD-ADA
Punkty ECTS i inne: 3.00 (zmienne w czasie) 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: polski
Efekty uczenia się:

Wiedza:

Po zrealizowaniu programu przedmiotu student powinien:

1.znać i rozumieć rodzaje danych związanych z Big Data,

2. znać rozwiązania technologiczne Big Data,

3. znać metody przechowywania i wyszukiwania danych stosowane w odniesieniu do Big Data,

4. znać i rozumieć metody analizy danych stosowane w odniesieniu do Big Data,

5. znać przykłady rozwiązań biznesowych w odniesieniu do Big Data.

Umiejętności:

Po zrealizowaniu programu przedmiotu student umie:

1. analizować nieustrukturyzowane dane,

2. przetwarzać i analizować dane strumieniowe,

3. stosować rozwiązania Big Data w odniesieniu do konkretnych problemów biznesowych.

Kompetencje społeczne:

Po zrealizowaniu programu przedmiotu student wykazuje:

1. umiejętność komunikowania zagadnień związanych z Big data,

2. zrozumienie etycznych aspektów Big data.

Zajęcia w cyklu "Semestr letni 2025/26" (jeszcze nie rozpoczęty)

Okres: 2026-02-21 - 2026-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

W ramach przedmiotu zostaną omówione takie grupy zagadnień jak: rozwiązania technologiczne dotyczące Big Data, typy danych Big Data, analityka Big Data, przetwarzanie danych strumieniowych , przegląd wybranych rozwiązań biznesowych dotyczących Big Data a także zagadnienia etyczne związane z Big Data.
Pełny opis:

Celem zajęć jest przekazanie wiedzy dotyczącej zagadnień związanych z Big Data analityką Big Data a także rozwiązaniami technologicznymi Big Data.

Literatura:

Literatura podstawowa:

Inc. O'Reilly Media, 2012. Big Data Now: 2012 Edition 2. wyd., O'Reilly Media;

Provost, F. & Fawcett, T., 2013. Data Science for Business: What you need to know about data mining and data-analytic thinking, Sebastopol, CA: O'Reilly & Associates;

Schutt, R. & O'Neil, C., 2013. Doing data science, Sebastopol, CA: O'Reilly.

Literatura uzupełniająca:

Minelli, M., 2013. Big data, big analytics: emerging business intelligence and analytic trends for today?s businesses, Hoboken, New Jersey: John Wiley & Sons, Inc.;

Prajapati, Vignesh 2013. Big Data Analytics with R and Hadoop, Packt Publishing Ltd.
Uwagi:

Kryteria oceniania:

kolokwium (Jeden test wielokrotnego wyboru/pytania otwarte): 30.00%

inne (Praca na zajęciach/zadania domowe): 20.00%

projekty (Indywidualny projekt zaliczeniowy): 50.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 40%

Szczegółowe warunki zaliczenia:

Każda nieobecność powoduje obniżenie w/w sumy zaliczenia o 10 punktów procentowych

Zajęcia w cyklu "Semestr zimowy 2025/26" (w trakcie)

Okres: 2025-10-01 - 2026-02-20
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Szymon Chudziak, Zbigniew Gontar, Ryszard Szupiluk
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

W ramach przedmiotu zostaną omówione takie grupy zagadnień jak: rozwiązania technologiczne dotyczące Big Data, typy danych Big Data, analityka Big Data, przetwarzanie danych strumieniowych , przegląd wybranych rozwiązań biznesowych dotyczących Big Data a także zagadnienia etyczne związane z Big Data.
Pełny opis:

Celem zajęć jest przekazanie wiedzy dotyczącej zagadnień związanych z Big Data analityką Big Data a także rozwiązaniami technologicznymi Big Data.

Literatura:

Literatura podstawowa:

Inc. O'Reilly Media, 2012. Big Data Now: 2012 Edition 2. wyd., O'Reilly Media;

Provost, F. & Fawcett, T., 2013. Data Science for Business: What you need to know about data mining and data-analytic thinking, Sebastopol, CA: O'Reilly & Associates;

Schutt, R. & O'Neil, C., 2013. Doing data science, Sebastopol, CA: O'Reilly.

Literatura uzupełniająca:

Minelli, M., 2013. Big data, big analytics: emerging business intelligence and analytic trends for today?s businesses, Hoboken, New Jersey: John Wiley & Sons, Inc.;

Prajapati, Vignesh 2013. Big Data Analytics with R and Hadoop, Packt Publishing Ltd.
Uwagi:

Kryteria oceniania:

kolokwium (Jeden test wielokrotnego wyboru/pytania otwarte): 30.00%

inne (Praca na zajęciach/zadania domowe): 20.00%

projekty (Indywidualny projekt zaliczeniowy): 50.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 40%

Szczegółowe warunki zaliczenia:

Każda nieobecność powoduje obniżenie w/w sumy zaliczenia o 10 punktów procentowych

Zajęcia w cyklu "Semestr letni 2024/25" (zakończony)

Okres: 2025-02-15 - 2025-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

W ramach przedmiotu zostaną omówione takie grupy zagadnień jak: rozwiązania technologiczne dotyczące Big Data, typy danych Big Data, analityka Big Data, przetwarzanie danych strumieniowych , przegląd wybranych rozwiązań biznesowych dotyczących Big Data a także zagadnienia etyczne związane z Big Data.
Pełny opis:

Celem zajęć jest przekazanie wiedzy dotyczącej zagadnień związanych z Big Data analityką Big Data a także rozwiązaniami technologicznymi Big Data.

Literatura:

Literatura podstawowa:

Inc. O'Reilly Media, 2012. Big Data Now: 2012 Edition 2. wyd., O'Reilly Media;

Provost, F. & Fawcett, T., 2013. Data Science for Business: What you need to know about data mining and data-analytic thinking, Sebastopol, CA: O'Reilly & Associates;

Schutt, R. & O'Neil, C., 2013. Doing data science, Sebastopol, CA: O'Reilly.

Literatura uzupełniająca:

Minelli, M., 2013. Big data, big analytics: emerging business intelligence and analytic trends for today?s businesses, Hoboken, New Jersey: John Wiley & Sons, Inc.;

Prajapati, Vignesh 2013. Big Data Analytics with R and Hadoop, Packt Publishing Ltd.

Zajęcia w cyklu "Semestr zimowy 2024/25" (zakończony)

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Zbigniew Gontar, Ryszard Szupiluk
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

W ramach przedmiotu zostaną omówione takie grupy zagadnień jak: rozwiązania technologiczne dotyczące Big Data, typy danych Big Data, analityka Big Data, przetwarzanie danych strumieniowych , przegląd wybranych rozwiązań biznesowych dotyczących Big Data a także zagadnienia etyczne związane z Big Data.
Pełny opis:

Celem zajęć jest przekazanie wiedzy dotyczącej zagadnień związanych z Big Data analityką Big Data a także rozwiązaniami technologicznymi Big Data.

Literatura:

Literatura podstawowa:

Inc. O'Reilly Media, 2012. Big Data Now: 2012 Edition 2. wyd., O'Reilly Media;

Provost, F. & Fawcett, T., 2013. Data Science for Business: What you need to know about data mining and data-analytic thinking, Sebastopol, CA: O'Reilly & Associates;

Schutt, R. & O'Neil, C., 2013. Doing data science, Sebastopol, CA: O'Reilly.

Literatura uzupełniająca:

Minelli, M., 2013. Big data, big analytics: emerging business intelligence and analytic trends for today?s businesses, Hoboken, New Jersey: John Wiley & Sons, Inc.;

Prajapati, Vignesh 2013. Big Data Analytics with R and Hadoop, Packt Publishing Ltd.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
al. Niepodległości 162
02-554 Warszawa tel: +48 22 564 60 00 http://www.sgh.waw.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.2.0.0