Introduction to Data Science 2400-DS1DS
Wykład obejmuje następujące zagadnienia:
1. Data Science i jej kontekst ekonomiczny: czym jest Data Science i czym zajmują się data scientists; przebieg procesu pracy z danymi (data science workflow); role i ścieżki kariery; Data Science w biznesie, polityce publicznej i nauce; znaczenie kompetencji miękkich.
2. Praca z danymi: źródła danych; codzienna rzeczywistość pracy w Data Science, czyli przetwarzanie i porządkowanie danych (data wrangling); eksploracja, opis i wizualizacja danych; zrozumienie Big Data; świat danych nie zawsze jest płaski: praca z różnymi strukturami danych.
3. Programowanie w Data Science: zestaw narzędzi data scientista (Python, R, SQL, Git, narzędzia BI, chmura); jakiego oprogramowania używać do jakich zadań; automatyzacja zadań i odtwarzalność (reproducibility).
4. Wprowadzenie do wnioskowania statystycznego: statystyki opisowe, dobór próby, estymacja, testowanie hipotez; korelacja a przyczynowość; testy A/B.
5. Wprowadzenie do ekonometrii: modelowanie opisowe i objaśniające; regresja liniowa i interpretacja wyników; wnioskowanie przyczynowe w zarysie.
6. Wprowadzenie do uczenia maszynowego: modelowanie predykcyjne; uczenie nadzorowane i nienadzorowane; przeuczenie (overfitting) i ocena modeli; uczenie maszynowe a ekonometria, czym się różnią?
7. Uczenie głębokie i przetwarzanie języka naturalnego: sieci neuronowe; praca z danymi nieustrukturyzowanymi; tekst jako dane w ekonomii i prawie.
8. Sztuczna inteligencja i prompt engineering: generatywna AI w codziennej pracy; ograniczenia dużych modeli językowych; ochrona danych, regulacje dotyczące AI i odpowiedzialne Data Science; Data Science w praktyce: biznes, nauka i wszystko pomiędzy.
Koordynatorzy przedmiotu
W cyklu 2026Z: | W cyklu 2025Z: |
Rodzaj przedmiotu
Efekty uczenia się
Wiedza:
Uczestnicy znają podstawy Data Science. Wiedzą, czym w istocie jest Data Science i jakie zadania najczęściej wykonują data scientists. Znają podstawowe pojęcia wnioskowania statystycznego, ekonometrii, uczenia maszynowego i uczenia głębokiego. Rozumieją różnicę między modelowaniem objaśniającym a predykcyjnym. Ponadto wiedzą, jakie oprogramowanie jest obecnie najpopularniejsze w różnych zastosowaniach, takich jak eksploracja i wizualizacja danych, automatyzacja zadań, modelowanie predykcyjne, analiza tekstu czy generatywna AI.
Umiejętności:
Uczestnicy potrafią rozpoznać istotę problemu z zakresu Data Science. Umieją też dobrać odpowiednie metody i oprogramowanie, aby skutecznie go rozwiązać.
Kompetencje społeczne:
Uczestnicy rozumieją rolę kompetencji miękkich w pracy data scientista. Rozumieją też
znaczenie odpowiedzialnego korzystania z danych i sztucznej inteligencji.
K_W01, K_U01, K_U02, K_U03, K_U04, K_U05, KS_01, K_U06
Kryteria oceniania
Egzamin ustny (100%).
Literatura
Breiman, L. (2001). Statistical Modeling: The Two Cultures. Statistical Science, 16(3), 199–231.
James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R (wyd. 2). Springer.
James, G., Witten, D., Hastie, T., Tibshirani, R., Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
Gentzkow, M., Kelly, B., Taddy, M. (2019). Text as Data. Journal of Economic Literature, 57(3), 535–574.
McKinney, W. (2022). Python for Data Analysis (wyd. 3). O'Reilly Media.
Mullainathan, S., Spiess, J. (2017). Machine Learning: An Applied Econometric Approach. Journal of Economic Perspectives, 31(2), 87–106.
Provost, F., Fawcett, T. (2013). Data Science for Business. O'Reilly Media.
Wickham, H., Çetinkaya-Rundel, M., Grolemund, G. (2023). R for Data Science (wyd. 2). O'Reilly Media.
Wooldridge, J. M. (2025). Introductory Econometrics: A Modern Approach (wyd. 8). Cengage Learning (wybrane rozdziały).
Dodatkowe lektury oraz aktualne zasoby internetowe są udostępniane w trakcie wykładu.