Studia podyplomowe: Zaawansowane metody analizy danych i Data Mining w biznesie

Celem studiów jest zapoznanie słuchaczy z najbardziej popularnymi technikami, algorytmami, narzędziami i oprogramowaniem stosowanym w Data Science oraz w Big Data.

110 godz.dyd. w semestrze zimowym, 100 godz.dyd. w semestrze letnim*, 8 godz.dyd. walidacji  (godzina dydaktyczna = 45 minut).

Forma wszystkich zajęć: praktyczne ćwiczenia komputerowe. Przerwy nie wliczają się w liczbę godzin usługi.

Na zakończenie absolwent otrzymuje świadectwo ukończenia studiów podyplomowych oraz jako załącznik zaświadczenie zawierające: opis efektów uczenia się,  informację o przeprowadzeniu walidacji w oparciu o zdefiniowane w efektach uczenia się kryteria ich weryfikacji, informację o rozdzieleniu procesu kształcenia od walidacji oraz nazwisko osoby przeprowadzającej walidację studiów.

Zjazdy sobotnio-niedzielne online w czasie rzeczywistym na platformie Google Workspace. 

=========

WALIDACJA:

Czas walidacji wskazany w harmonogramie dotyczy 1 uczestnika.

Walidacja w formie "Analiza dowodów i deklaracji" dotyczy każdego przedmiotu osobno po zakończeniu jego realizacji i jest sprawdzeniem mini-projektów przesyłanych do walidatora. Walidacja odbędzie się w terminie od 01.03.2026 do 29.04.2026 Terminy walidacji dostępne będą u osoby nadzorującej usługę po stronie dostawcy usługi (Kierownika studiów podyplomowych).

===================

Program studiów zawiera komponent kompetencji cyfrowych.

==================

RAMOWY PROGRAM USŁUGI:

Wprowadzenie do narzędzi analitycznych (35 ćw.) (dr inż. Krzysztof Ropiak)

Instalacja i konfiguracja środowiska pracy.

Podstawowe elementy języka Python: organizacja kodu, podstawowe typy danych, instrukcje warunkowe, pętle.

Organizacja kodu: funkcje, moduły, pakiety oraz dokumentacja kodu.

Wprowadzenie do narzędzia Jupyter Notebook.

Podstawowe wykorzystanie pakietów pandas, matplotlib oraz seaborn w środowisku Jupyter Notebook.

Język znaczników Markdown.

Wykorzystanie systemu kontroli wersji Git

Eksploracja i wizualizacja danych (20 ćw.) (dr Piotr Jastrzębski)

Wczytywanie danych z różnych źródeł.

Przetwarzanie zbiorów - zmiany formatu, brakujące wartości, przekształcanie itp.

Eksploracja danych - filtrowanie, sortowanie, agregacja (biblioteki numpy, pandas).

Wizualizacja danych - przegląd najpopularniejszych bibliotek (matplotlib, seaborn, plotly, bokeh, altair).

Bazy danych (35 ćw.) (dr Paweł Drozda)

Relacyjne bazy danych - język SQL.

Nierelacyjne bazy danych – Cassandra.

Integracja Python z bazami danych.

Programowanie baz danych PL/SQL.

Elementy data mining (20 ćw.) (dr inż. Tomasz Krzywicki)

Wprowadzenie do standardu CRISP-DM.

Podstawowe metody statystyczne:

− badanie rozkładu klas decyzyjnych,

− częstości wartości,

− miary rozproszenia, tendencji centralnej,

− obliczanie korelacji pomiędzy zmiennymi oraz wpływu atrybutów warunkowych na klasę decyzyjną (positive ratio).

Wybrane techniki pracy z danymi:

− standaryzacja,

− normalizacja,

− uzupełnianie uszkodzonych danych,

− konwersja wartości symbolicznych do numerycznych.

Analiza sygnałów i szeregów czasowych

Podstawowe metody regresji liniowej i nieliniowej oraz prognozowania szeregów czasowych.

Przetwarzanie danych tekstowych: normalizacja i wektoryzacji.

Zastosowanie języka Python do eksploracji, analizy i przetwarzania danych

Programowanie zaawansowane (20 ćw.) (dr Piotr Jastrzębski)

Moduły i pakiety.

Obsługa plików.

Dekoratory.

Wyrażenia lambda.

Usuwanie błędów, testowanie.

Wyrażenia regularne.

Wprowadzenie do uczenia maszynowego (30 ćw.) (dr inż. Tomasz Krzywicki)

Uczenie nadzorowane i regresja liniowa.

Statystyki Bayesowskie.

Drzewa decyzyjne.

Uczenie nienadzorowane.

Sieci neuronowe.

Modele generatywne i autokodery

Uczenie maszynowe w praktyce (20 ćw.) (dr inż. Tomasz Krzywicki)

Algorytmy i metody uczenia modeli głębokich.

Wybrane problemy klasyfikacji, detekcji, regresji.

Wprowadzenie do Big Data (30 ćw.) (dr inż. Krzysztof Ropiak)

Wprowadzenie do Big Data.

Architektura i technologie Big Data.

Platforma Apache Hadoop.

Podstawy Apache Spark.

Batchowe i strumieniowe przetwarzanie danych.

Budowa przepływów danych z użyciem Apache Airflow.

Uczenie maszynowe w Big Data

=========

PLAN STUDIÓW

Materiały dydaktyczne udostępniane w postaci elektronicznej:

- nagrania z zajęć;

- skrypty z opisem teorii;

- prezentacje w formie slajdów;

- zadania z rozwiązaniami;

- kody skryptów w językach programowania.

Warunkiem ubiegania się o przyjęcia na studia podyplomowe jest posiadanie dyplomu ukończenia studiów co najmniej pierwszego stopnia dowolnego kierunku.

110 godz.dyd. w sem. zim., 100 godz.dyd. w sem. let.*, 8 godz.dyd. walidacji

*godz. dyd. = 45 minut. Przerwy nie są wliczane w czas trwania usługi.

Usługa adresowana również do uczestników projektu Kierunek - Rozwój (WUP TORUŃ)

Usługa adresowana również do uczestników projektu "Małopolski pociąg do kariery - sezon 1" i projektu "Nowy Start w Małopolsce z EURESem"

Program zawiera komponent kompetencji cyfrowych

WALIDACJA:

Czas walidacji wskazany w harmonog. dotyczy 1 uczestnika.

Walidacja w formie "Analiza dowodów i deklaracji" dotyczy każdego przedmiotu osobno po zakończeniu jego realizacji i jest sprawdzeniem mini-projektów przesyłanych do walidatora. Walidacja odbędzie się w terminie od 01.03.2026 do 29.04.2026 Terminy walidacji dostępne będą u osoby nadzorującej usługę po stronie dostawcy usługi (Kierownika studiów podypl.).

Usługa jest rejestrowana na potrzeby usługodawcy i korzystającego z usługi jak również na potrzeby monitoringu, kontroli oraz w celu utrwalenia efektów uczenia

1. platforma / rodzaj komunikatora, za pośrednictwem której prowadzona będzie usługa

Przeglądarka internetowa Chrome lub Firefox w aktualnych wersjach dostępnych na stronach internetowych producenta / pakiet Google Workspace (Hangouts Meet)

1. minimalne wymagania sprzętowe, jakie musi spełniać komputer Uczestnika lub inne urządzenie do zdalnej komunikacji,

Parametry sprzętowe umożliwiające płynne działanie systemu operacyjnego mininalnie 4GB pamięci RAM, procesor intel core i3 lub odpowiednik. System operacyjny Windows 8.1 lub wyższy, MacOS i Linux w aktualny wersjach.

Komputer Uczestnika musi posiadać lub mieć podłączone sprawny mikrofon i kamerę. Uczestnik spotkania zobowiązany jest do wcześniejszej weryfikacji sprawności oraz konfiguracji mikrofonu i kamery.

c)minimalne wymagania dotyczące parametrów łącza sieciowego, jakim musi dysponować Uczestnik,

10 Mb/s – minimalna prędkość internetu

d)  niezbędne oprogramowanie umożliwiające Uczestnikom dostęp do prezentowanych treści i materiałów,

System operacyjny Windows 7/8/10/11 w przypadku PC/laptopów, Android w wersji 5.0 w przypadku tabletów,

System operacyjny, przeglądarka internetowa, przeglądarka plików PDF oraz zgodnie z pkt 1 oraz łącze internetowe o parametrach opisanych w pkt 3

Notepad++

JAVA JDK

Pycharm 

Powerbi desktop

Pyscripter/spider,

biblioteki do analizy danych

Git SCM

Mongo DB

VirtualBox

SQL Developer

Putty

XAMPP

Cassandra

Python (pakiety numpy, scipy, pandas, matplotlib, statsmodels, MySQLdb, psycopg2, os, xlsxwriter, cassandra)

Microsoft Office / Libre Office

e)okres ważności linku umożliwiającego uczestnictwo w spotkaniu on-line.

W okresie trwania szkolenia. Materiały związane z przygotowaniem środowiska do szkolenia będą dostępne bez ograniczeń czasowych.