Znak Politechniki Warszawskiej

Big Data. Analiza danych

Organizator
Wydział Elektryczny Politechniki Warszawskiej
Instytut Sterowania i Elektroniki Przemysłowej

Adres

ul. Koszykowa 75, 00-662 Warszawa
Gmach Elektrotechniki, pokój GE 312
tel. +48 22 234 6023
e-mail: podyplomowe@isep.pw.edu.pl

WWW
http://www.ee.pw.edu.pl/studia/studia-podyplomowe/
Kierownik

dr inż. Włodzimierz Dąbrowski

Charakterystyka

Studia adresowane są do osób, zajmujących się problematyką przetwarzania dużych zbiorów danych, analityką biznesową, Business Intelligence oraz odkrywaniem danych i wiedzy, chcących pogłębić swoją wiedzę oraz umiejętności w tym zakresie, jak i poznać narzędzia Big Data.

Studia prowadzone są metodami projektowymi z bardzo dużą liczbą warsztatów. W związku z tym zajęcia prowadzone są w niewielkich grupach. Osobami prowadzącymi poszczególne kursy są nauczyciele akademiccy z dużym doświadczeniem dydaktycznym oraz praktycy, którzy na co dzień zajmują się budowaniem systemów klasy Big Data i analizą danych na potrzeby przedsiębiorstw. Od kandydatów nie oczekujemy wiedzy bazowej ani doświadczenia informatycznego.

Nad merytorycznym poziomem studiów czuwa Rada Programowa składająca się z ekspertów akademickich oraz Rada Merytoryczna gromadząca wybitnych i doświadczonych praktyków z przemysłu.

Studia powinny zainteresować: analityków biznesowych, analityków danych, architektów rozwiązań Big Data i wszystkie osoby, które interesuje tematyka przetwarzania danych i uczenia maszynowego.

Studia oferują unikatowy program nauczania wynikający z połączenia wiedzy pracowników naukowych PW i doświadczenia przedstawicieli firm branży Big Data i Business Intelligence.

Studenci naszych studiów otrzymują dostęp do oprogramowania za pośrednictwem skonfigurowanych maszyn wirtualnych.

Program studiów obejmuje:

Semestr pierwszy skupia się na teoretycznym aspekcie analizy danych oraz na obszarze Big Data. Studenci zdobędą podstawową wiedzę teoretyczną w zakresie analizy statystycznej oraz algorytmów uczenia maszynowego. Będą również wprowadzeni w rynek Business Intelligence oraz poznają narzędzia i technologie będące filarami wiedzy w zakresie Big Data.

Semestr drugi skupia się na pogłębianiu wiedzy o analizie statystycznej i uczeniu maszynowym od strony praktycznej. Studenci poznają biblioteki programistyczne oraz narzędzia współpracy między naukowcami. Obok segmentu analitycznego znajdują się przedmioty ułatwiające wykorzystanie dotąd nabytej wiedzy w biznesie i młodych zespołach projektowych. Studenci analizują też, wraz z doświadczonymi praktykami, przykładowe case-study, bazujące na rzeczywistych problemach i wdrożeniach systemów klasy Big Data w przemyśle.

W drugim semestrze możliwe jest przygotowanie pracy końcowej (praca dyplomowa) na wybrany temat poszerzający tematykę studiów i zainteresowania studenta uczestnika. Praca wykonywana jest pod opieką wykładowcy studium. Uzyskanie dyplomu świadectwa ukończenia studiów  podyplomowych możliwe jest też bez konieczności przygotowania pracy dyplomowej, na podstawie egzaminu końcowego.

Zajęcia prowadzone są przez doświadczonych praktyków.

Tematyka zajęć:

  • Algorytmy uczenia maszynowego
  • Analiza populacji
  • Analiza statystyczna
  • Big data dla Business Intelligence
  • Odkrywanie danych i wiedzy
  • Analiza danych w biznesie
  • Praca ze środowiskiem Apache Spark
  • Praktyczne aspekty Data Science
  • Seminarium dyplomowe
  • Uczenie maszynowe
  • Wizualizacja danych
  • Zarządzanie Data Science
Czas trwania
Dwa semestry
Zasady naboru
Przyjęcia w kolejności zgłoszeń. W studiach mogą uczestniczyć osoby, które ukończyły studia wyższe 1. lub 2. stopnia (licencjackie, inżynierskie, magisterskie).
Termin zgłoszeń
Termin jest ogłaszany przed każdą edycją na stronie własnej studiów podyplomowych.
Opłaty
Wysokość opłaty wynosi 7950 zł. Opłatę można wnosić w dwóch ratach.
Dodatkowe informacje

Zajęcia odbywają się w systemie zjazdów sobotnio – niedzielnych, około 7 zjazdów w semestrze oraz w sieci Internet.

W czasie studiów studenci mogą uczestniczyć w programach studenckich Microsoft DreamSpark, IBM Academic Initiative.