Preuzmite PDFPreuzmite PDF za ispis

Detaljni izvedbeni plan
Akademska godina 2022. / 2023. Semestar Ljetni
Studij:

Diplomski sveučilišni studij komunikologije		 Godina studija:

Diplomski sveučilišni studij komunikologije: 2.;
Usmjerenje Znanstveno istraživanje medija i odnosi s javnošću, Interkulturalna komunikacija i novinarstvo

I. OSNOVNI PODACI O PREDMETU
Naziv predmeta Obrada podataka
Kratica predmeta IZBD232 Šifra predmeta 248065
Status predmeta Izborni ECTS bodovi 4
Preduvjeti za upis predmeta Nema
Ukupno opterećenje predmeta
Vrsta nastave Ukupno sati
Predavanja 30
Vježbe 15
Mjesto i vrijeme održavanja nastave HKS – prema objavljenom rasporedu

II. NASTAVNO OSOBLJE
Nositelj predmeta
Ime i prezime Luka Šikić
Akademski stupanj/naziv Doktor znanosti Zvanje Docent
Kontakt e-mail luka.sikic@unicath.hr Telefon +385 (1)
Konzultacije Prema objavljenom rasporedu

III. DETALJNI PODACI O PREDMETU
Jezik na kojem se nastava održava Hrvatski
Opis
predmeta

Cilj ovog predmeta je pružiti studentima osnovno razumijevanje rada s podacima kroz upoznavanje sa principima, tehnikama i alatima koji se koriste za prikupljanje, čišćenje, analizu i vizualizaciju podataka. Neki od specifičnih ciljeva uključuju upoznavanje studenata s tehnologijama koje se koriste u radu s podacima, poput programskih jezika, sustava za pohranu i upravljanje podacima te statističkog softvera. Studenti će također naučiti kako učitavati, obrađivati i čistiti podatke iz različitih izvora, uključujući strukturirane i nestrukturirane podatke. Kolegij će studente upoznati sa osnovama statističkih metoda i strojnog učenja za analizu i modeliranje podataka, poput regresije, klasifikacije, grupiranja, smanjenja dimenzionalnosti i analize teksta. Kolegij će studentima omogućiti razumijevanje kako se podaci i njihova analiza mogu primijeniti u različitim područjima i industrijama s naglaskom na područje komunikacijskih i informacijskih znanosti. Kroz praktično iskustvo rada sa podatcima studenti će naučiti kako efektivno komunicirati podatkovno usmjerene spoznaje putem vizualizacija, izvješća i prezentacija.
Očekivani ishodi
učenja na razini
predmeta		 Identificirati procese, alate i tehnike koje se koriste u obradi podataka. Razlikovati programske jezike i statistički softver koji se koriste u obradi podataka. Osmisliti istraživanje na osnovi statističkih tehnika i tehnika strojnog učenja za analizu i modeliranje podataka. Osmisliti i provesti obradu podataka i komunicirati rezultate putem vizualizacija, izvješća i prezentacija u odgovarajućem formatu. Primijeniti suvremene načine obrade podataka relevantne za komunikacijske i informacijske znanosti
Literatura
Obvezna

Kelleher, J. D. i Tierney, B. (2021). Znanost o podatcima. Zagreb: Naklada Mate.

Grolemund, G., and Wickham, H. (2017). R for Data Science. O’Reilly Media.
Dopunska

Grolemund, G., and Wickham, H. (2017). R for Data Science. O’Reilly Media.

Wickham H (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York.

Silge, J. and Robinson, D. (2017) . Text Mining with R: A Tidy Approach. O’Reilly Media
Način ispitivanja i ocjenjivanja
Polaže seDa Isključivo kontinuirano praćenje nastaveNe Ulazi u prosjekDa
Preduvjeti za dobivanje
potpisa i polaganje
završnog ispita
  1. Redovito pohađanje nastave – prisutnost na najmanje 70% nastave prema studijskom programu i izvedbenom nastavnom planu.
  2. Uredno izvršene nastavnih obveza u okviru vježbi.
  3. Stjecanje minimalnog uspjeha od 35% tijekom nastave unutar zadanih nastavnih aktivnosti kroz vježbe i kolokvije.
Način polaganja ispita
  1. Kontinuirano vrednovanje studentskog rada kroz nastavne aktivnosti.
  2. Završni pismeni i usmeni ispit (minimum za prolaz na pismenom ispitu je 50% točne riješenosti).
Način ocjenjivanja
  1. a) Nastavne aktivnosti – 70% ocjene

   1) Vježbe – max. 20 %; 

   2) 1. kolokvij – max. 25 %;

   3) 2. kolokvij – max. 25 %;

  1. b) Završni ispit 

   4)  Pismeni ispit – max. 30 % (za prolaz je nužno točno odgovoriti na 50 % postavljenih pitanja).

dovoljan (2) – 50-64,9 %

dobar (3) – 65-79,9 %

vrlo dobar (4) – 80-89,9 %

izvrstan (5) – 90-100 %
Detaljan prikaz ocjenjivanja unutar Europskoga sustava za prijenos bodova
VRSTA AKTIVNOSTI ECTS bodovi - koeficijent
opterećenja studenata		 UDIO
OCJENE
(%)
Pohađanje nastave 1.2 0
Rad na vježbama 0.56 20
Kolokvij-međuispit 0.7 25
Kolokvij-međuispit 0.7 25
Ukupno tijekom nastave 3.16 70
Završni ispit 0.84 30
UKUPNO BODOVA (nastava+zav.ispit) 4 100
Datumi kolokvija 8. i 15. tjedan nastave
Datumi ispitnih rokova Prema objavljenom rasporedu

IV. TJEDNI PLAN NASTAVE
Predavanja
Tjedan Tema
1. Uvod u kolegij.
2. Tradicionalne vrste podataka.
3. Moderni izvori podataka i veliki podatci.
4. Osnove programskog jezika R.
5. Manipulacija i prilagodba podataka.
6. Prikupljanje podataka sa interneta.
7. Rad sa bazama podataka.
8. Kolokvij.
9. Deskriptivna statistika.
10. Univarijatna statistička analiza.
11. Multivarijatna statistička analiza.
12. Uvod u strojno učenje.
13. Strojna analiza teksta.
14. Prezentacija, objava i dijeljenje rezultata i markdown sintaksa.
15. Kolokvij.
Vježbe
Tjedan Tema
1. Uvod u kolegij.
2. Tradicionalne vrste podataka.
3. Moderni izvori podataka i veliki podatci.
4. Osnove programskog jezika R.
5. Manipulacija i prilagodba podataka.
6. Prikupljanje podataka sa interneta.
7. Rad sa bazama podataka.
8. Kolokvij.
9. Deskriptivna statistika
10. Univarijatna statistička analiza.
11. Multivarijatna statistička analiza.
12. Uvod u strojno učenje.
13. Strojna analiza teksta.
14. Prezentacija, objava i dijeljenje rezultata i markdown sintaksa.
15. Kolokvij.