Data Analysis – Data Science
Zakres tematyczny
Zakres tematyczny obejmuje szereg zagadnień związanych z Analizą danych, Data Science czy Big Data: wprowadzenia do zagadnień Analizy danych, Data Science i Big data; elementy statystyki jako jedno z najważniejszych narzędzi umożliwiających analizę i ocenę danych oraz opracowanie i ocenę wyników; bazy danych (relacyjne, NoSQL) jako technologia umożliwiająca przechowywanie ora przetwarzanie danych; programowanie w wybranych językach, wykorzystywanych w przetwarzaniu i analizie danych: R, SQL, Python; specjalistyczne metody techniki przetwarzania i analizy danych (Hurtownie danych, Eksploracja danych, uczenie maszynowe, przetwarzanie dużych zbiorów danych w środowisku Spark, analiza danych tekstowych – zapisanych w języku naturalnym, analiza sieci społecznych, analiza danych przestrzennych); metody wizualizacji danych i oceny wyników. Ważnym uzupełnieniem tematyki jest wiedza dotycząca prawnych aspektów przetwarzania i analizy danych.
Do kogo adresowane są studia podyplomowe
Oferta Studiów kierowana jest do wszystkich, którzy będą zajmowali się szeroko rozumianą analizą oraz przetwarzaniem, często bardzo dużych zbiorów różnorodnych danych. Pojęcia „Analiza danych” oraz „Data Science” łączą kompetencje z wielu dziedzin, specjalności takich jak: matematyka, statystyka, bazy danych, programowanie. Posiadanie takiej wiedzy oraz kompetencji i umiejętności jest coraz częściej pożądane na rynku IT.
W programie znajdują się zarówno przedmioty pozwalające na zdobycie wiedzy o charakterze ogólnym (statystyka, bazy danych), przedmioty umożliwiające nabycie umiejętności programowania w wybranych językach (R, SQL, Python) jak i przedmioty dotyczące specjalistycznych metod przetwarzania i analizy danych (hurtownie danych, eksploracja danych, uczenie maszynowe, przetwarzanie i analiza danych tekstowych).
Studia podyplomowe Analiza danych – Data Science, przeznaczone są przede wszystkim dla:osób pracujących na stanowiskach związanych z branżą informatyczną zajmujących się analizą danych, z niepełnym, lub bez kierunkowego wykształcenia - takim osobom studia umożliwią uzupełnienie, poszerzenie i uporządkowanie posiadanej wiedzy z zakresu „nauki o danych”, ich przetwarzania i analizy, a co za tym idzie podniesienie kwalifikacji do wykonywania zawodu, co ma szczególne znaczenie w sytuacji dynamicznie zmieniającego się rynku pracy, oraz szybkiego rozwoju nowych technologii; osób odpowiedzialnych za podejmowanie decyzji z wykorzystaniem narzędzi informatycznych, także pracujących w dowolnej branży - takim osobom studia umożliwią zwiększeni wiedzy w dotyczącej analizy danych i jej znaczenia dla podejmowania decyzji, co umożliwi kompetentne uczestnictwo w przygotowaniu i prowadzeniu procesów decyzyjnych w różnych działach i branżach gospodarki.
W szczególności grupą docelową będą osoby, które są zainteresowane, aby nabyta wiedza i umiejętności pozwoliły im na świadome uczestnictwo w procesach wymagających przygotowania, przetwarzania i analizy danych oraz wizualizacji i interpretacji wyników tych analiz.
Kierownik studiów podyplomowych
dr inż. Robert Marcjan, tel.: 12 12 328 33 10, mail: marcjan@agh.edu.pl
Organizator studiów podyplomowych
Wydział Informatyki, Elektroniki i Telekomunikacji, Instytut Informatyki, tel.: 12 328-34-00, mail: informatyka@agh.edu.pl
Osoba do kontaktu
mgr inż. Paulina Mularczyk-Mędrykowska, kom.606 629 097, mail: paula@agh.edu.pl
Course | Number of hours | ECTS credits | Form of verification | |
---|---|---|---|---|
Introduction to data analysis and data science
|
Lectures:
4 |
1 | Completing the classes | O |
Statistics
|
Lectures:
8 Laboratory classes: 16 |
3 | Completing the classes | O |
Database
|
Lectures:
8 Laboratory classes: 16 |
4 | Completing the classes | O |
Python Programming
|
Lectures:
8 Laboratory classes: 20 |
4 | Completing the classes | O |
Data Mining
|
Lectures:
8 Laboratory classes: 12 |
3 | Completing the classes | O |
Data extraction from Internet sources
|
Laboratory classes:
8 |
2 | Completing the classes | O |
Seminar - final project
|
Seminars:
4 |
- | Completing the classes | O |
Sum | 112 | 17 |
Course | Number of hours | ECTS credits | Form of verification | |
---|---|---|---|---|
Machine learning
|
Lectures:
8 Laboratory classes: 16 |
4 | Completing the classes | O |
Data warehouses
|
Lectures:
4 Laboratory classes: 8 |
2 | Completing the classes | O |
Analysis of large data sets in the Spark environment
|
Lectures:
4 Laboratory classes: 12 |
3 | Completing the classes | O |
Text data analysis
|
Lectures:
4 Laboratory classes: 4 |
1 | Completing the classes | O |
Social networks
|
Lectures:
4 Laboratory classes: 4 |
1 | Completing the classes | O |
Spatial data analysis
|
Lectures:
4 Laboratory classes: 4 |
1 | Completing the classes | O |
Visualization of large data sets
|
Lectures:
4 Laboratory classes: 8 |
2 | Completing the classes | O |
Legal aspects of data analysis
|
Lectures:
4 |
1 | Completing the classes | O |
Seminar - final project
|
Seminars:
8 |
3 | Completing the classes | O |
Final Project
|
Diploma project:
12 |
4 | Completing the classes | O |
Sum | 112 | 22 |