Narzędzia informatyczne w ekonomii

obowiązkowe

W czasie kursu studenci uzyskają umiejętności analizy danych ekonomicznych w arkuszu kalkulacyjnym (w tym w zakresie statystyki opisowej) oraz poznają podstawy wykorzystania sztucznej inteligencji ze szczególnym naciskiem na generatywne modele językowe. Tematyka zajęć będzie obejmować porządkowanie i obróbkę danych, formuły i zaawansowane funkcje, wizualizację i analizę danych. W szczególności studenci zyskają umiejętność stosowania miar z zakresu statystyki opisowej, w tym miary tendencji centralnej, zmienności, asymetrii czy koncentracji. Studenci poznają mechanizmy działania AI, techniki skutecznego pisania promptów oraz sposoby weryfikacji wyników. Nauczą się także etycznego i świadomego korzystania z AI, uwzględniając jej ograniczenia, halucynacje i praktyczne zastosowania w życiu codziennym i biznesowym.

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

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

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.

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.