Systemy wspomagania decyzji - Wydział Inżynierii Produkcji

Opis modułu kształcenia / przedmiotu (sylabus)
Rok akademicki:
2012/2013
Grupa przedmiotów: podstawowych
Nazwa przedmiotu1):
Systemy wspomagania decyzji
Tłumaczenie nazwy na jęz. angielski3):
Decision Support Systems
Kierunek studiów4):
Zarządzanie i Inżynieria Produkcji
5)
Koordynator przedmiotu :
Numer katalogowy:
ZIP/II/SS/05
ECTS 2)
3
dr hab.inż. Jędrzej Trajer, prof.SGGW
Prowadzący zajęcia :
dr hab.inż. Jędrzej Trajer, prof.nzw. , prof. dr hab. Małgorzata Jaros, dr inż. Monika Janaszek, dr inż. Ewa
Golisz
Jednostka realizująca7):
Wydział Inżynierii Produkcji, Katedra Podstaw Inżynierii, Zakład Podstaw Nauk Technicznych
6)
Wydział, dla którego przedmiot jest
realizowany8):
Status przedmiotu9):
10)
a) przedmiot podstawowy
b) stopień 2
rok 1
c) stacjonarne
11)
Cykl dydaktyczny :
semestr letni
Założenia i cele przedmiotu12):
Celem przedmiotu
jest dostarczenie wiedzy w zakresie umiejętności formułowania problemów i
wykorzystania metod zarządzania wiedzą w przedsiębiorstwie. Szczególny nacisk położony jest na
nabycie praktycznych umiejętności projektowania i efektywnego wykorzystania informatycznych systemów
analityki biznesowej i wspomagania decyzji dla wsparcia analiz finansowych, marketingowych i rynkowych
w celu zwiększania wartości przedsiębiorstwa i podniesienia jego konkurencyjności.
Formy dydaktyczne, liczba godzin13):
Jęz. wykładowy : polski
a)
Wykład; liczba godzin 30;
b)
Ćwiczenia laboratoryjne; liczba godzin 30;
Metody dydaktyczne14):
Aktywna praca studentów z wykorzystaniem oprogramowania do zarządzania wiedzą;
projekty studenckie; rozwiązywanie problemu; konsultacje
indywidualne
Pełny opis przedmiotu15):
Wykład: Data mining: Idea data mining: Metodyka projektu drążenia danych do zarządzania wiedzą ukrytą
w danych, według schematu: dane→ wiedza→ decyzje. Charakterystyka wybranych metod sztucznej
inteligencji i statystyki, analiza zastosowań. Wstępna analiza danych, wybór metody data minig,
weryfikacja wyników. Analiza danych wielowymiarowych: Teoretyczne podstawy metod reprezentacji
wiedzy i klasyfikacji wzorców; indukcja reguł decyzyjnych (algorytm oneR, IB1, Ridor, Jrip, walidacja
krzyżowa, reguła pokrycia, klasyfikator Bayesa); określanie liczby wzorców i selekcja cech (długość kodu i
pojęcie entropii, brzytwa Ockhama, metody selekcji typu filtr i powłoka, statystyka Kappa, macierz
pomyłek, szacowanie błędów klasyfikacji); omówienie podstawowych modułów programu Weka, format
danych wejściowych. Charakterystyka procesów losowych: Generatory liczb pseudolosowych fizyczne oraz
programowane. Idea rozwiązywania problemów deterministycznych. Modelowanie procesów losowych.
Symulacja procesów losowych w celu ich prognozowania. Wykorzystanie symulacji procesów losowych w
optymalizacji
Ćwiczenia: Przykłady modelowania zagadnień regresji i klasyfikacji w Data Miner Statistica. Projekt
informatyczny: preprocesing, opracowanie i wykorzystanie wybranych metod data mining, weryfikacja
rozwiązania. Klasyfikacja wzorców w przykładowych zbiorach danych, praca z modułem knowledge flow
programu Weka. Budowa algorytmów rozwiązania zadań i komputerowa symulacja rozwiązań, dotycząca:
generatorów LCG, generatorów liczb rozkładów teoretycznych nieliniowych oraz empirycznego; testowania
zgodności rozkładów opracowanych generatorów; wyznaczenia wartości liczby π; symulacji uszkodzeń w
zespołach roboczych; oceny niezawodności; symulacji pracy zakładu usługowego; szacowania ceny
produktu w zmiennych warunkach rynku; wykorzystania symulacji procesu w jego optymalizacji.
Wymagania formalne (przedmioty
wprowadzające)16):
Technologie informacyjne (TI), Metody sztucznej inteligencji (MSI)
Wiedza: student zna technologie informacyjne oraz teoretyczne podstawy metod sztucznej inteligencji;
Założenia wstępne17):
Umiejętności: student potrafi pracować z oprogramowaniem do analizy danych, przygotować zbiory
danych do analizy z wykorzystaniem Excela, zna i umie wykorzystać metody sztucznej inteligencji
Efekty kształcenia18):
student potrafi
wykorzystać systemy
01 – student rozumie podstawowe pojęcia z zakresu 03 wspomagania decyzji do realizacji zamierzonego
zarządzania wiedzą
celu analizy
02 – student zna i prawidłowo stosuje podstawowe
04 – student potrafi samodzielnie opracować
metody i narzędzia wspomagania decyzji
systemy wspomagania decyzji i wykorzystać je
do rozwiązania problemu z zakresu inżynierii
produkcji
Sposób weryfikacji efektów kształcenia19):
Efekt 01, 02 – sprawdzian pisemny z teorii
Efekt 03 – sprawozdania z projektów informatycznych prowadzonych w trakcie ćwiczeń,
Efekt 04 – ocena sprawozdania z wykonania zadania projektowego na zdefiniowany temat
1
Forma dokumentacji osiągniętych efektów Sprawozdania z projektów wykonanych na zajęciach, imienne karty oceny studenta, treść sprawdzianów
kształcenia 20):
wraz z oceną
Elementy i wagi mające wpływ na ocenę
końcową21):
pytania z przygotowania się do zajęć, 10%
ocena sprawozdań z wykonania zadań projektowych na zdefiniowany temat: 65%
sprawdzian pisemny z teorii: 25%
Miejsce realizacji zajęć22):
Laboratorium informatyczne (pracownia wyposażona w komputery ze stosownym oprogramowaniem)
23)
Literatura podstawowa i uzupełniająca :
Zieliński J.Z. Inteligentne systemy w zarządzaniu. Wydawnictwo Naukowe PWN, Warszawa.2000
Stanisz A. Przystępny kurs statystyki z zastosowaniem Statistica Pl. Wydawnictwo StatSoft, Kraków.2006.
Jaros M., Pabis S., 2007, Inżynieria systemów, Wyd. SGGW
Kutner R. Symulacje komputerowe dynamiczną metodą Monte Carlo. Mat. Centrum Dosk. Nauczycieli w Warszawie, 1989
Zieliński R. Metody Monte Carlo. WNT, Warszawa, 1970
Wieczorkowski R., Zieliński R. Komputerowe generatory liczb losowych. WNT 1997
Weka manual. http://weka.wikispaces.com/ oraz dokumentacja programu http://www.cs.waikato.ac.nz/ml/weka/
UWAGI24):.Projekty informatyczne realizowane są na komputerach indywidualnie. Warunkiem zaliczenia przedmiotu jest zaliczenie wszystkich
projektów i części teoretycznej z wykładów na sprawdzianie pisemnym, ocena końcowa jest średnią ze wszystkich ocenianych elementów przedmiotu
Wskaźniki ilościowe charakteryzujące moduł/przedmiot25) :
Szacunkowa sumaryczna liczba godzin pracy studenta (kontaktowych i pracy własnej) niezbędna dla osiągnięcia
zakładanych efektów kształcenia18) - na tej podstawie należy wypełnić pole ECTS2:
Łączna liczba punktów ECTS, którą student uzyskuje na zajęciach wymagających bezpośredniego udziału nauczycieli
akademickich:
Łączna liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym, takich jak zajęcia
laboratoryjne, projektowe, itp.:
85 h
2,2 ECTS
2,2 ECTS
Tabela zgodności kierunkowych efektów kształcenia efektami przedmiotu 26) :
Nr /symbol
efektu
01
02
03
04
Wymienione w wierszu efekty kształcenia:
Odniesienie do efektów dla
programu kształcenia na kierunku
student rozumie podstawowe pojęcia z zakresu zarządzania wiedzą
K_W06
student zna i prawidłowo stosuje podstawowe metody i narzędzia wspomagania decyzji
K_W06, K_U17
student potrafi
analizy
K_U17
wykorzystać systemy wspomagania decyzji do realizacji zamierzonego celu
student potrafi samodzielnie opracować systemy wspomagania decyzji i wykorzystać je do
rozwiązania problemu z zakresu inżynierii produkcji
K_U13
2