Akademija tehničko-umetničkih
strukovnih studija Beograd

Analiza podataka Šifra: OI0031 | 6 ESPB

Opšte informacije
Nivo studija:
Godina studija: 3
Semestar/Trimestar: 6
Uslov:
Cilj: Studenti će se upoznati sa različitim tipovima podataka, procesom pripreme i kreiranja skupa za analizu podataka kao i postupkom kreiranja različitih vizuelizacija primenom softverskih alata i sistema baza podataka. Studenati će razviti i razumeavnje o savremenim metodama planiranja eksperimenta, obrade i analize eksperimentalnih podataka.
Ishod: Studenti će biti osposobljeni da samostalno istražuju, kreiraju skupove podataka koristeći analitičke alatei sisteme baza podataka za obradu i vizuelizaciju podataka u funkciji donošenja poslovnih odluka.
Sadržaj predmeta
Teorijska nastava:
  1. Nauka o podacima.
  2. Fenomen podataka.
  3. Razumevanje i opisivanje podataka.
  4. Struktuiranost podataka.
  5. Uvoz i izvoz podataka. Analiza korišćenjem kompleksnih tipova podataka.
  6. SQL za analizu i pripremu podataka.
  7. Performatirani SQL.
  8. Agregatne funkcije i funkcija window.
  9. Vizualizacija podataka.
  10. Python u funkciji analize podataka.
  11. Biblioteke Pandas, Seaborn i Matplotlib.
  12. Marketing informacioni sistemi. Proces marketing istraživanja. Metode marketing istraživanja. Anketiranje u marketing istraživanjima.
Praktična nastava:
  1. Vežbe prate izlaganje na predavanjima. Na laboratorijskim vežbama studenti se obučavaju za prikupljanje, obradu, analizu i vizualizaciju podataka implementacijom PostrgesSQL sistema baza podataka, Microsoft Power BI analitičkog alata, Jupyter i Google Colab interaktivnog okruženja za rad sa Python bibliotekama i Google upitnika.
Literatura
  1. Sinan Ozdemir,Principles of Data Science, Packt Publishing Ltd, Birminghem, 2016.
  2. Joel Grus, Data Science from Scratch: First Principles with Python, 2nd Edition, O’Relly, 2019.
  3. Wes McKinney, Python for Data Analysis, O'Reilly Media", 2012.
  4. Mladen Varga, Upravljanje podacima, Element, 2012.
  5. Upom Malik , Matt Goldwasser, Benjamin Johnston, SQL za analizu podataka, Kompjuter biblioteka, 2019.
  6. Milan Galagoza, Marketing i menadžment istraživanja, MM Colege, 2005.
  7. Dimić, G., Pecić, Lj., Analiza podataka – priručnik za laboratorijske vežbe.
Broj časova aktivne nastave (nedeljno)
Predavanja: 3
Vežbe: 0
Drugi oblici nastave: 2
Ocena znanja (maksimalan broj poena 100)
Predispitne obaveze
Poeni
aktivnosti u toku predavanja
10
aktivnosti na laboratorijskim vežbama
10
seminarski rad
30
kolokvijum
20
Završni ispit
Poeni
Pismeni ispit
30
Usmeni ispit
0