The practical application of Big Data in the work of a sociologist 480-SS1-3TBD1

Profil studiów Ogólnoakademicki

Forma studiów Stacjonarne
Rodzaj przedmiotu Obowiązkowy, Moduł_18/19 Fakultatywny Praktyczny
Poziom kształcenia Studia pierwszego stopnia
Dziedzina i dyscyplina nauki Nauki socjologiczne, socjologia
Rok studiów/semestr Rok II, semestr IV

Liczba godzin zajęć dydaktycznych z podziałem na formy prowadzenia zajęć: 30 godzin laboratorium

Metody dydaktyczne:

laboratorium, warsztaty, praca indywidualna i w grupie, prace domowe, ocenianie ciągłe, zapis wykonywanych prac na zajęciach

Punkty ECTS = 4
Bilans nakładu pracy studenta:
30 godzin - obecność na zajęciach
6 godzin - udział w konsultacjach;
1 godz. udział w zaliczeniu
30 godzin - przygotowanie do zajęć;
37,6 - przygotowanie do zajęc i zaliczenia
Wskaźniki ilościowe:
- godziny wymagające udziału nauczyciela 37 godzin = 1,4 ECTS
- samodzielna praca studenta: 67,6 godzin = 2,6 ECTS
łącznie 104 godz. = 4 ECTS

W cyklu 2023:

Tematy i problemy:
1. Instalacja środowiska
2. Omówienie pakietów
3. Omówienie środowiska pracy
4. Praca z pakietami
5. Praca z plikami
6. Źródła danych - pliki
7. Formaty danych
8. Wyliczanie statystyk
9. Pakiety do wizualizacji danych
10. Wizualizacja danych wykresy
11. Tabele przestawne
12. Grupowanie danych
13. Filtry i warunki
14. Eksport wyników pracy
15. Omówienie prac wykonywanych na zajęciach

W cyklu 2024:

Rodzaj przedmiotu

fakultatywne

Założenia (opisowo)

Koordynatorzy przedmiotu

Piotr Laskowski

Efekty kształcenia

KP6_WG1 - zna i rozumie definicje najważniejszych terminów socjologicznych, potrafi wskazać specyficzne problemy podejmowane przez socjologię
KP6_UW8 - potrafi identyfikować problemy społeczne wybranej zbiorowości / grupy oraz analizować, oceniać i proponować ich rozwiązania
KP6_KO1 - jest zdeterminowany w kierunku potrzeby udoskonalania swoich umiejętności społecznych
KP6_KO2 - jest otwarty na pracę w grupie, potrafiąc przyjmować w niej różne role. dostrzega potrzebę kreatywnego kierowania zespołem ludzkim

Kryteria oceniania

Metody dydaktyczne: laboratoria
Forma zaliczenia przedmiotu: zaliczenie na ocenę.
- Ocenianie ciągłe podczas zajęć (zadania)
- Możliwe zaliczenie końcowe jako projekt na wybranym zbiorze danych (obliczenia, przekształcenia, wizualizacje danych)

Literatura

Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes! Autor: David Stephenson, 2019 Helion
Big Data. Rewolucja, która zmieni nasze myślenie, pracę i życie, Autor: Mayer-Schonberger Viktor , Cukier Kenneth, 2014 MT Biznes
Big Data and Social Science, Autorzy: Foster I., Ghani R., Jarmin R.S., Kreuter F., Lane J., (Eds.), 2016 Taylor & Francis Inc
Big Data Visualization (ebook)Książka w języku angielskim Autor: James D. Miller, 2017 Helion

W cyklu 2023:

Wykaz literatury podstawowej i uzupełniającej:
1. Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes! Autor: David Stephenson
2. Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II Autorzy: Peter Bruce, Andrew Bruce, Peter Gedeck
3. Python w analizie danych. Przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython. Wydanie II Autor: Wes McKinney
4. Python dla każdego. Podstawy programowania. Wydanie III Autor: Michael Dawson

W cyklu 2024:

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 480-SS1-3TBD1 w USOSweb