Emblem of the Republic of Poland Uniwersytet Jagielloński
pl en
Wprowadzenie do uczenia maszynowego i analizy danych dla studentów kierunków nieinformatycznych
Educational subject description sheet

Basic information

Field of study
University-wide Courses in Polish
Speciality
-
Organizational unit
Zajęcia ogólnouczelniane
Study level
dowolny poziom
Study form
full-time degree programme
Education profile
General academic
Mandatory
elective
Education cycle
2025/26
Realization year
Subject code
ZOOPLS.D200000.18111.25
Lecture languages
polish
Disciplines
Technical Computer Sciences and Telecommunications
ISCED classification
0613 Software and applications development and analysis
USOS code
ZO-130
Subject coordinator
Joanna Świebocka-Więk
Lecturer
Joanna Świebocka-Więk
Period
Summer semester
Examination
graded credit
Activities and hours
E-learning (lecture): 30, including:
  • Asynchronous classes: 30
Number of ECTS points
2.0

Goals

C1 Student rozumie podstawowe pojęcia i etapy uczenia maszynowego oraz potrafi zastosować je do prostych problemów z różnych dziedzin.
C2 Student potrafi samodzielnie pozyskiwać, przetwarzać i wizualizować dane z różnych źródeł (np. plików CSV), a także przygotować je do dalszej analizy lub modelowania zgodnie z wymaganiami problemu.
C3 Student potrafi zastosować podstawowe algorytmy uczenia maszynowego do rozwiązania prostych problemów analitycznych w kontekście swojej dziedziny.
C4 Student potrafi ocenić skuteczność działania prostych modeli predykcyjnych, zidentyfikować potencjalne błędy i ograniczenia (np. nadmierne dopasowanie) oraz wyciągać wnioski z wyników w kontekście praktycznym.
C5 Student potrafi identyfikować i oceniać etyczne wyzwania związane z zastosowaniem sztucznej inteligencji oraz rozumie wpływ decyzji algorytmicznych na społeczeństwo.

Subject's learning outcomes

Code Outcomes in terms of Effects Examination methods
Knowledge – Student knows and understands:
W1 podstawowe koncepcje uczenia nadzorowanego i nienadzorowanego, potrafi wyjaśnić różnice między nimi oraz wskazać przykładowe zastosowania w swojej dziedzinie; credit with grade
W2 potencjał i ograniczenia analizy danych i uczenia maszynowego w kontekście własnej dziedziny oraz zna podstawowe zagrożenia etyczne związane z przetwarzaniem danych (np. prywatność, stronniczość algorytmów); credit with grade
W3 podstawowe pojęcia oraz składnię języka Python, w tym zasady działania zmiennych, funkcji, instrukcji warunkowych i pętli, jak również przeznaczenie i funkcjonalność bibliotek wykorzystywanych w analizie danych (m.in. pandas, numpy, matplotlib, scikit-learn); credit with grade
W4 podstawowe pojęcia związane z przetwarzaniem danych, w tym strukturę zbiorów danych (cechy, etykiety), oraz zasady wczytywania, czyszczenia i przygotowania danych do analizy i modelowania, z uwzględnieniem typowych formatów plików (np. CSV). credit with grade
Skills – Student can:
U1 wczytywać, przetwarzać i wizualizować dane przy użyciu narzędzi i bibliotek języka Python (np. pandas, matplotlib), a także przygotować dane do dalszej analizy lub modelowania, stosując odpowiednie techniki oczyszczania, transformacji i selekcji danych; credit with grade
U2 zastosować wybrane algorytmy (np. regresję liniową, drzewa decyzyjne, k‑means) do rozwiązania prostych problemów w swojej dziedzinie, korzystając z gotowych narzędzi (np. scikit-learn, Excel, Orange, Python); credit with grade
U3 ocenić skuteczność działania prostych modeli predykcyjnych, rozumie znaczenie błędu, przeuczenia oraz walidacji wyników, a także potrafi zinterpretować wyniki w kontekście praktycznym; credit with grade
U4 napisać, analizować i modyfikować proste skrypty w języku Python w celu automatyzacji zadań związanych z przetwarzaniem i analizą danych, stosując odpowiednie biblioteki oraz dobierając właściwe struktury językowe do konkretnego problemu; credit with grade
U5 rozpoznać potencjalnie nieetyczne aspekty projektów AI (np. brak reprezentatywności danych, dyskryminacja) i zaproponować możliwe środki zaradcze; credit with grade
U6 ocenić użyteczność i ograniczenia wybranych narzędzi AI w kontekście dydaktycznym i dostosować ich wykorzystanie do potrzeb edukacyjnych; credit with grade
U7 zastosować podstawowe techniki podziału danych i walidacji (m.in. walidację krzyżową) w procesie oceny modelu uczenia maszynowego. credit with grade
Social competences – Student is ready for:
K1 samodzielnego uczenia się i rozwijania umiejętności programistycznych oraz do współpracy w zespole nad zadaniami związanymi z analizą danych z użyciem Pythona; credit with grade
K2 rzetelnego przygotowania danych jako kluczowego etapu analizy oraz do współpracy z innymi członkami zespołu w zakresie organizacji i standaryzacji danych w projektach analitycznych; credit with grade
K3 ponoszenia odpowiedzialności za skutki wdrażania rozwiązań AI oraz do podejmowania refleksji etycznej w kontekście pracy naukowej i badawczej; credit with grade
K4 świadomego i krytycznego stosowania narzędzi AI w pracy dydaktycznej, z poszanowaniem zasad równości dostępu, przejrzystości oraz uczciwości akademickiej. credit with grade

Calculation of ECTS points

Activity form Activity hours*
E-learning (lecture) 30
programming 10
preparation of a project 10
przygotowanie i analiza danych 5
preparation for classes 5
Student workload
Hours
60
ECTS
2.0

* hour means 45 minutes

Study content

No. Course content Subject's learning outcomes
1.

Wprowadzenie do języka Python:



  • składnia, zmienne, funkcje, warunki, pętle;

  • obsługa bibliotek Pythona do pracy z danymi (pandas, numpy, matplotlib, scikit-learn);

  • umiejętność czytania i pisania prostych skryptów automatyzujących analizę danych.

 W1, W3, U4, K1
2.

Praca z danymi:



  • wczytywanie, przetwarzanie i wizualizacja danych (np. z plików CSV);

  • rozumienie struktury zbiorów danych: cechy (features), etykiety (labels);

  • przygotowanie danych do analizy i modelowania.

 W4, U1, K2
3.

Podstawy sztucznej inteligencji:



  • zrozumienie idei modelu uczenia maszynowego: co to znaczy „trenować model”;

  • budowanie i testowanie prostych klasyfikatorów (np. drzewa decyzyjne, kNN);

  • rozróżnianie typów problemów: klasyfikacja vs regresja.

 W1, U2
4.

Ewaluacja modeli:



  • metryki oceny skuteczności działania modeli (accuracy, precision, recall);

  • podział zbioru danych na część treningową, testową i walidacyjną;

  • interpretacja macierzy pomyłek i krzywej ROC;

  • przeciwdziałanie zjawisku nadmiernego dopasowania (overfitting).

 W1, W2, U3, U7
5.

Kompetencje projektowe i prezentacyjne:



  • przeprowadzenie samodzielnego mini-projektu (od analizy po modelowanie i interpretację);

  • samodzielna dokumentacja wyników i przedstawienie wyników w postaci notatnika Jupyter lub dokumentu raportowego;

  • umiejętność przekładania zadań praktycznych na logikę algorytmiczną.

 W2, U1, K1, K2
6.

Etyka i społeczne konsekwencje AI:



  • stronniczość algorytmów (algorithmic bias);

  • AI w społeczeństwie – wpływ na rynek pracy, edukację, relacje międzyludzkie;

  • etyczne wyzwania w zastosowaniach AI.

 W2, U5, K3, K4
7.

AI a dezinformacja i zagrożenia informacyjne:



  • dezinformacja i deepfake – przykłady i zagrożenia;

  • wpływ AI na jakość informacji i zaufanie publiczne;

  • rola edukacji i krytycznego myślenia w erze AI.

 U5, K3, K4
8.

Narzędzia AI w edukacji:



  • przegląd wybranych narzędzi AI wspomagających edukację;

  • jak AI może wspierać proces uczenia się i nauczania?


 

 U6, K4

Course advanced

Teaching methods :

e-learning methods

Activities Examination methods Credit conditions
E-learning (lecture) credit with grade 1. Aktywne uczestnictwo w kursie e-learningowym Student ma obowiązek zapoznania się z przygotowanymi materiałami dydaktycznymi (nagrania wideo, notatniki, instrukcje) udostępnionymi na platformie kursowej. 2. Realizacja zadań cząstkowych (obowiązkowych) W trakcie kursu student wykonuje serię krótkich zadań praktycznych (np. analiza danych, implementacja modelu, interpretacja wyników), które są oceniane pod kątem poprawności i samodzielności wykonania. Zadania mają charakter zaliczeniowy, ale nie podlegają ocenie końcowej. 3. Przygotowanie i oddanie mini-projektu końcowego Warunkiem zaliczenia przedmiotu jest samodzielne opracowanie mini-projektu, obejmującego: pozyskanie i wstępną analizę danych, budowę prostego modelu uczenia maszynowego, ocenę skuteczności modelu, krótką interpretację wyników. Projekt powinien być oddany w postaci notatnika Jupyter. 4. Kryteria oceny końcowej: Zaliczenie co najmniej 50% wszystkich zadań cząstkowych – warunek konieczny, Ocena mini-projektu końcowego – podstawa oceny końcowej, zgodnie z przyjętą na UJ skalą ocen. Dodatkowe punkty mogą być przyznane za innowacyjność, estetykę i komunikatywność prezentacji wyników. 5. Zasady uczciwości akademickiej Student zobowiązany jest do samodzielnego wykonania projektu i zadań. W przypadku wykrycia plagiatu lub nieuprawnionego użycia narzędzi AI (bez oznaczenia źródeł), projekt nie zostanie zaliczony.

Entry requirements

Brak

Literature

Obligatory
  1. Joel Grus, "Data science od podstaw. Analiza danych w Pythonie", Helion, 2022.
  2. Jake VanderPlas, "Python Data Science. Niezbędne narzędzia do pracy z danymi", Helion, 2023.
Optional
  1. Aurelien Geron "Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow", Helion, 2023.