Narzędzia informatyczne w ekonomii 2400-L1PPNIE
Przedmiotem zajęć jest zapoznanie studentów z nowoczesnymi narzędziami wspierającymi analizę ekonomiczną. Omawiany materiał obejmuje zarówno tradycyjne podejścia do pracy z danymi, oparte na arkuszach kalkulacyjnych, jak i narzędzia oparte na sztucznej inteligencji, które coraz silniej wpływają na sposób pracy ekonomistów i analityków. Łącznie tworzy to obraz współczesnego warsztatu pracy analitycznej, w którym umiejętność porządkowania, interpretacji i prezentacji danych łączy się z kompetencjami efektywnego i odpowiedzialnego wykorzystywania modeli generatywnych.
Celem laboratorium jest rozwinięcie praktycznych umiejętności pracy z danymi. W części poświęconej Excelowi student zdobywa kompetencje w zakresie analizy danych ekonomicznych, w części dotyczącej sztucznej inteligencji student uczy się podstaw działania dużych modeli językowych.
W kolejnych blokach omawiane są następujące treści:
Excel w analizie danych ekonomicznych
Excel w statystyce opisowej. Opis parametryczny rozkładu jednej cechy statystycznej. Szeregi statystyczne. Histogram zwykły i skumulowany. Miary średnie. Miary zmienności. Miary asymetrii. Miary koncentracji (skupienia).
Eksploracyjna analiza danych w Excelu. Porównanie rozkładów cechy statystycznej. Wykres pudełkowy. Wizualizacja danych - tabele przestawne i wykresy przestawne. Etapy wykonywania EDA. Analiza korelacji.
Obliczanie podstawowych statystyk opisowych (średnia, mediana, kwantyle, wariancja, asymetria) i przygotowywanie danych do analizy.
Analiza danych w Excelu. Użycie funkcji logicznych i zagnieżdżonych. Mini-projekt eksploracyjnej analizy danych i interpretacja wyników.
Sztuczna inteligencja w narzędziach informatycznych do analizy danych
Wektory, macierze i podstawy AI. Czym są duże modele językowe (LLM) i jak działają. Wektory i macierze w R jako fundament obliczeń i AI. Mechanizm generowania odpowiedzi przez modele językowe. Zastosowania praktyczne wektorów i macierzy w analizie ekonomicznej.
Ramki danych i prompt engineering. Podstawy prompt engineeringu i komunikacji z AI. Ramki danych w R jako najważniejsza struktura analityczna. Zadania łączące pracę na danych z formułowaniem skutecznych promptów. AI jako narzędzie wspomagające pracę analityka danych. Eksploracyjna analiza danych w R z wykorzystaniem AI.
Funkcje i logika decyzyjna. Krytyczna weryfikacja odpowiedzi AI. Tworzenie własnych funkcji w R. Wyrażenia warunkowe w analizie danych.
Wprowadzenie do uczenia maszynowego i etyka AI. Regresja liniowa jako narzędzie predykcji. Mini-projekty: regresja. Wprowadzenie do etycznych aspektów wykorzystania AI. Klasteryzacja - podział danych na grupy. Mini-projekty: klasteryzacja. Klasyfikacja - podejmowanie decyzji na podstawie danych. Mini-projekty: klasyfikacja i odpowiedzialność za decyzje AI.
Szacunkowy nakład pracy studenta: 3ECTS x 25h = 75h
(K) - godziny kontaktowe (S) - godziny pracy samodzielnej
laboratorium (zajęcia): 30h (K) 0h (S)
konsultacje: 7h (K) 0h (S)
przygotowanie do ćwiczeń: 0h (K) 10h (S)
przygotowanie do kolokwium nr 1: 0h (K) 10h (S)
przygotowanie do kolokwium nr 2: 0h (K) 10h (S)
praca z materiałami dodatkowymi: 0h (K) 8h (S)
Razem: 37h (K) + 38h (S) = 75h
Rodzaj przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
Po ukończeniu przedmiotu, student:
W ZAKRESIE WIEDZY:
zna i rozumie zasady działania narzędzi informatycznych wykorzystywanych w ekonomii, w szczególności arkuszy kalkulacyjnych oraz generatywnej sztucznej inteligencji;
zna i rozumie podstawy statystyki opisowej oraz elementy modelowania zjawisk ekonomicznych;
zna i rozumie zasady etycznego korzystania z narzędzi informatycznych w pracy analitycznej, co umożliwia dostosowywanie się do zmian wynikających z rozwoju sztucznej inteligencji;
W ZAKRESIE UMIEJĘTNOŚCI:
potrafi analizować dane statystyczne z wykorzystaniem arkusza kalkulacyjnego, w tym obliczać podstawowe miary statystyki opisowej oraz tworzyć wykresy i zestawienia danych;
potrafi integrować tradycyjne i nowoczesne narzędzia analityczne, przygotowywać dane do dalszych analiz oraz stosować odpowiednie metody modelowania zjawisk ekonomicznych;
potrafi świadomie korzystać ze sztucznej inteligencji, tworzyć skuteczne prompty, weryfikować odpowiedzi oraz rozpoznawać ograniczenia i potencjalne błędy AI;
W ZAKRESIE KOMPETENCJI:
jest gotów do stałego rozwijania swoich kompetencji cyfrowych i aktualizowania wiedzy w obliczu dynamicznych zmian technologicznych, takich jak sztuczna inteligencja oraz automatyzacja procesów analitycznych;
wykazuje świadomość etyczną w korzystaniu z narzędzi sztucznej inteligencji, uwzględniając kwestie wpływu technologii na decyzje ekonomiczne i społeczne.
Kryteria oceniania
Uzyskanie zaliczenia przedmiotu wymaga:
1. obecności na ćwiczeniach (dopuszczalne są dwie nieobecności) i ich zaliczenia; podstawą zaliczenia ćwiczeń są dwa kolokwia oraz aktywność w czasie zajęć, polegająca w szczególności na udziale w dyskusji czy wykonywaniu zadań przy użyciu narzędzi informatycznych;
2. uzyskania min. 51% punktów łącznie z obu kolokwiów, które składają się z zadań obliczeniowych oraz pytań testowych jednokrotnego wyboru właściwych dla danego bloku treści zajęć;
3. Skala ocen:
[0%-51%) – ndst
[51%-60%) – dst
[60%-70%) – dst +
[70%-80%) – db
[80%-90%) – db+
[90%-100%] – bdb.
Literatura
Literatura obowiązkowa (wybrane rozdziały):
Zhou H., Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku, Helion 2024
Gutman A. J., Goldmeier J., Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym, Helion 2023
Mount G., Zaawansowana analiza danych. Jak przejść z arkuszy Excela do Pythona i R, Helion 2022
Albrzykowski L., Uczenie maszynowe. Elementy matematyki w analizie danych, Helion 2023
Kończak G., Trzpiot G., Statystyka opisowa i matematyczna z arkuszem kalkulacyjnym EXCEL, WUE Katowice 2023
Literatura uzupełniająca (wybrane rozdziały):
Zumel N., Mount J., Język R i analiza danych w praktyce, Helion 2021
Wenger K., Czy algorytm spiskuje przeciwko nam? Co każdy powinien wiedzieć o koncepcjach i pułapkach sztucznej inteligencji, Helion 2025
Grus J., Data science od podstaw, Helion 2020
Maksimowicz-Ajchel A., Wstęp do statystyki. Metody opisu statystycznego, WUW 2007
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: