Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Experiential learning of R-CRAN statistical program by using a generative AI model (Chat GPT)

Informacje ogólne

Kod przedmiotu: 2400-ZU2WW084
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Experiential learning of R-CRAN statistical program by using a generative AI model (Chat GPT)
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Przedmioty wolnego wyboru dla II roku studiów zaocznych
Punkty ECTS i inne: 2.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

nieobowiązkowe

Skrócony opis:

Kurs ma na celu wprowadzenie do statystycznego programu R-cran. Jest przeznaczony dla programu magisterskiego dla wszystkich, którzy chcą nauczyć się zaawansowanego oprogramowania statystycznego i używać go w analizie biznesowej oraz pracy naukowej. Programowanie w R-cran będzie nauczane w sposób eksperymentalny. Po krótkim wprowadzeniu, od studentów oczekuje się aktywnego wykorzystywania możliwości generatywnej sztucznej inteligencji (Chat GPT) do tworzenia własnych kodów. Kurs odbywa się w laboratorium komputerowym, ale w przypadku braku laboratoriów, studenci muszą pracować na własnych laptopach. Wymagania do zaliczenia: aktywność podczas zajęć oraz projekt grupowy.

Pełny opis:

Głównym celem tego kursu jest zapoznanie studentów z zaawansowanym oprogramowaniem statystycznym, co wymaga umiejętności programowania. Skoncentrujemy się na trzech kluczowych obszarach: i) tworzeniu efektywnego środowiska pracy, ii) organizacji różnych typów danych oraz iii) wizualizacji danych. Uczestnicy zdobędą niezbędną wiedzę z zakresu języka programowania R, aby skutecznie korzystać z pakietów R oraz samodzielnie tworzyć aplikacje wykorzystujące te zasoby. Ponadto kurs zapewnia wgląd w umiejętności informatyczne oraz praktyczne przykłady zastosowania analizy danych, motywując studentów do stosowania tych technik w ich własnych dziedzinach. Program nauczania jest podzielony na cztery bloki.

Programowanie w R-cran będzie nauczane metodami eksperymentalnymi. Po krótkim wprowadzeniu, studenci są zachęcani do aktywnego angażowania się w technologie generatywnej AI, takie jak ChatGPT, w celach programistycznych.

Blok 1: Wykorzystując swoje doświadczenie prowadzący przedstawi minimalne wprowadzenie do środowiska R tj. podstawowe elementy niezbędne do wykonania zadań analitycznych. Ten blok mocno wykorzystuje zasadę Pareto w swoim podejściu dydaktycznym. Przekazanie studentom podstawowy zestawu narzędzi pozwala przejść bezpośrednio do wykorzystania generatywnej AI w tworzenia własnych kodów.

Blok 2: Przegląd - Moduł ten bada możliwości oprogramowania do analizy różnych danych statystycznych.

Blok 3: Opanowanie - Skupienie na rozwijaniu umiejętności i wprowadzaniu zaawansowanych technik czyszczenia i przygotowywania danych.

Blok 4: Współpraca - Grupy podejmą projekty obejmujące czyszczenie i przygotowywanie danych. Od uczestników oczekuje się dzielenia się swoimi zbiorami danych i spostrzeżeniami dotyczącymi zarządzania takimi danymi.

Literatura:

Kurs ten będzie oparty na Twoich własnych materiałach; docelowo materiały te przyjmą formę podręcznika/skryptu. Wykorzystane zostaną podręczniki internetowe (głównie w języku angielskim), takie jak:

• Wprowadzenie do metod badawczych, Eric van Holm [https://bookdown.org/ejvanholm/Textbook/]

• Wickham, H. i Grolemund, G. (2016). R jak nauka danych.

Efekty uczenia się:

WIEDZA

Student:

• zna metodologie ilościowych badań społecznych i ekonomicznych,

UMIEJĘTNOŚCI

Student:

• osiąga biegłość w środowisku obliczeniowym R-CRAN,

• jest zdolny do przeprowadzenia zawansowanej analizy statystycznej pozyskanych danych,

• potrafi zintegrować R-CRAN z funkcjonalnościami AI,

• potrafi znaleźć związek między uzyskanymi wynikami a teorią ekonomiczną.

POSTAWY

Student:

• potrafi połączyć wiedzę ekonomiczną z pracą zawodową i innymi obszarami nauk społecznych,

• rozumie potrzebę posiadania „naukowej ciekawości”,

• wykazuje kompetencje w pracy zespołowej i angażowaniu się działania zespołowe.

Metody i kryteria oceniania:

Obecność na zajęciach jest obowiązkowa. Podstawą oceny są:

• aktywność podczas zajęć: studenci mają przygotować raport ze swojej pracy i zamieścić go na platformie Moodle do końca dnia (40% oceny),

• prezentacja raportu badawczego, który może być przygotowany w grupie do 3 osób (60% oceny).

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Konwersatorium, 12 godzin więcej informacji
Koordynatorzy: Tomasz Kopczewski
Prowadzący grup: Tomasz Kopczewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Konwersatorium - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0-319af3e59 (2024-10-23)