University of Warsaw - Central Authentication System

(in Polish) Metody analizy danych

General data

Course ID:	2100-CB-M-D1MADA
Erasmus code / ISCED:	14.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (unknown)
Course title:	(unknown)
Name in Polish:	Metody analizy danych
Organizational unit:	Faculty of Political Science and International Studies
Course groups:	(in Polish) Cyberbezpieczeństwo - DZIENNE II STOPNIA - 1 semestr 1 rok - przedmioty obowiązkowe
ECTS credit allocation (and other scores):	2.00 Basic information on ECTS credits allocation principles: the annual hourly workload of the student’s work required to achieve the expected learning outcomes for a given stage is 1500-1800h, corresponding to 60 ECTS; the student’s weekly hourly workload is 45 h; 1 ECTS point corresponds to 25-30 hours of student work needed to achieve the assumed learning outcomes; weekly student workload necessary to achieve the assumed learning outcomes allows to obtain 1.5 ECTS; work required to pass the course, which has been assigned 3 ECTS, constitutes 10% of the semester student load.
Language:	Polish
Short description:	(in Polish) Kurs metod analizy danych obejmuje: - Naukę używania pakietu statystycznego PSPP lub R (z nakładkami GUI); - Analizę rozkładów zmiennych i wykrywanie anomalii; - Pewność wnioskowania na podstawie zbioru danych; - Segmentację danych; - Badanie zależności między zjawiskami; - Testowanie różnic między grupami; - Wstęp do predykacji i tworzenia modeli; - Ocenę prawdopodobieństwa przewidywań i zgodność ekspertów; - Automatyczną analizę danych tekstowych; - Zasady prezentacji danych graficznych.
Full description:	(in Polish) 1. Zajęcia organizacyjne. Wprowadzenie merytoryczne: możliwości (ograniczone) i bariery (znaczne) ilościowej analizy danych. Ilościowa analiza danych – geneza statystyki jako dyscypliny naukowej. Subdyscypliny statystyki (statystyka opisowa, statystyka indukcyjna). Podstawowe pojęcia: populacja, cechy populacji, próba. Wprowadzenie techniczne i organizacyjne: omówienie warunków zaliczenia. Zaopatrzenie słuchaczy kursu w niezbędne narzędzia informatyczne. Omówienie programu, wymogów i zasad. Instalacja i konfiguracja otwartoźródłowego oprogramowania do analizy danych. 2a. Czy dane o zjawiskach zostały sfałszowane lub przejawiają niepokojące anomalie? Kategoryzacja zjawisk masowych według rodzajów rozkładów: rozkład normalny (np. wzrost, IQ, zarobki), rozkład Poissona (np. liczba e-maili/rozmów telefonicznych, które otrzymujesz w ciągu dnia), rozkład wykładniczy (czas między awariami/atakami w systemie komputerowym), rozkład jednostajny (rzut monetą, kostką generowanie liczb losowych przez człowieka). Test dwumianowy, Kołmogorowa-Smirnowa i Shapiro-Wilka. Gdzie nie sięga statystyka: szare i czarne łabędzie Taleba. 2b. Jak odkryć wartości odstające (fałszywe lub anomalne) w zbiorze danych (i się przy tym nie napracować). Wprowadzenie do „metod liczbowych”. „Reguła kciuka”, test Grafa, test Grubbsa, test Dixona, i kryterium Chauveneta. Jakie cyfry wybierają fałszerze: prawo liczb anomalnych Franka Benforda. Inne (potencjalnie) przydatne prawidłowości: prawo potęgowe, zasada Pareto, prawo Zipfa. Addendum: mity i (przerażające) fakty o zjawisku „czarnej serii”. 2c. Na ile pewne może być Twoje wnioskowanie na podstawie zbioru danych i od czego ono zależy? Na podstawie jakich kryteriów możesz wnioskować statystycznie: wielkość i zróżnicowanie zbioru danych. Ilościowy, obiektywny współczynnik pewności wnioskowania: maksymalny standardowy błąd oszacowania. Sposoby obliczania, warunki brzegowe i interpretacja. Moc efektu (effect size) zamiast poziomu istotności (probability value) jako uniwersalny czynnik oceny wyników wielu pomiarów. 3. Podziel dane na segmenty – sztuka profilowania grup i zjawisk niebezpiecznych w zbiorach danych. Klasyfikacja danych w grupy (segmenty) za pomocą analizy skupień. 4. Czy i jak silny jest związek między zjawiskami? Odkryj powiązania pomiędzy zjawiskami i sprawcami. Wprowadzenie do badania współzmienności. Wybrane miary zależności: współczynnik korelacji R Pearsona, stosunek korelacyjny eta (η), chi kwadrat (χ²) + V Craméra. Interpretacja i błędy interpretacyjne zjawiska korelacji (kwartet Anscomba i korelacje pozorne). 5. Takie same, czy nie? Badanie różnic między grupami (czyli o metodzie wnioskowania o podobieństwie lub różnicy innej niż „na oko”). Test t-Studenta (Gosseta) dla dwóch prób zależnych. 6. Sztuka przewidywania zjawisk – analiza regresji. Regresja liniowa jako elementarna metoda prognozowania. Rys historyczny analizy regresji. Teoretyczne podstawy analizy regresji. Obliczanie i analiza regresji liniowej. Regresja wielozmiennowa (wieloraka). Znaczenie zmiennych instrumentalnych. Wprowadzenie do budowy modeli zjawisk – możliwości i ograniczenia. 7. Prawdopodobieństwo przewidywań i zgodność opinii ekspertów. Jak ocenić stopień prawdopodobieństwa stawianych przez Ciebie hipotez – iloraz szans (odds ratio). Oceń liczbowo, na ile eksperci są zgodni w wypowiedziach na dany temat – współczynnik kappa Cohena (κ). 8. Analiza danych jakościowych – tekstów. Analiza wydźwięku (sentymentu) – czyli ile pozytywnych, a ile negatywnych uczuć w wypowiedzi tekstowej. Wykrywanie tzw. mowy nienawiści. Wykryj plagiat, czyli analiza autorstwa. Automatyczne wyszukiwanie nazw miejscowych w dużych tekstach i zamieszczanie ich na mapie. Modelowanie tematyczne tekstów. Narzędzia: https://ws.clarin-pl.eu/. Automatyczne profilowanie cech socjodemograficznych na podstawie tekstu: https://applymagicsauce.com/demo. 9. Statystyka i estetyka – zasady prezentacji danych. Schematy raportów analitycznych. Standardy oceny danych. Datavis/dataviz (wizualizacja danych, data visualisation) versus infografika. Infografika w Canva (https://www.canva.com/pl_pl/). Wizualizacja danych z RawGraphs (https://rawgraphs.io/): diagram alluwialny, wykres Gantta, dendrogram, tesselacje Voronoia i diagram Sankeya. Właściwy dobór schematów kolorystycznych prezentacji. System doboru kolorów D.M. Kesslera (Color Wheel) Narzędzia: http://paletton.com; https://coolors.co/; https://color.adobe.com/pl/create/color-wheel/.
Bibliography:	(in Polish) Literatura obowiązkowa • D. Mider, A. Marcinkowska, Analiza danych ilościowych dla politologów. Praktyczne wprowadzenie z wykorzystaniem programu GNU PSPP, ACAD, Warszawa 2013. • Wskazane nagrania YT z serii DataCat (konto CyberTeam) [konto i filmy prowadzącego zajęcia] Literatura uzupełniająca • S. Beduińska, M. Cypryanska, Statystyczny drogowskaz. Część pierwsza: praktyczne wprowadzenie do wnioskowania statystycznego, SWPS, Warszawa 2013. • P. Francuz, R. Mackiewicz, Liczby nie wiedzą, skąd pochodzą, KUL, Lublin 2007. • J. Górniak, J. Wachnicki, Pierwsze kroki a analizie danych. SPSS PL for Windows, SPSS Polska, Kraków 2000. • D. Larose, Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa 2006. • M. Nawojczyk, Przewodnik po statystyce dla socjologów, SPSS Polska, Kraków 2002. • N. N. Taleb, Czarny łabędź. Skutki wysoce małoprawdopodobnych zdarzeń, Random House, Nowy Jork 2007 • N. N. Taleb, Antykruchość. Rzeczy, które odnoszą korzyści z chaosu, Random House, Nowy Jork 2012.
Learning outcomes:	(in Polish) Wiedza Słuchacz przyswoi wiedzę na temat: • typów i rodzajów oprogramowania otwarto- i zamkniętoźródłowego służącego do analizy danych • klasycznych testów związków między zmiennymi oraz różnic między grupowych mogących posłużyć do identyfikacji sfałszowanych a normalnych błędnych zbiorów danych oraz wskazania nieprawidłowych jednostek analizy w nich występujących (K_W05) • sposobów oceny wiarygodności zbiorów danych w szczególności w sytuacjach, gdy mogły zostać sfałszowane, zmanipulowane (K_W05) • możliwości i ograniczeń analiz statystycznych w analityce śledczej (K_W05) Umiejętności Słuchacz posiądzie umiejętności następujące: • podstawy efektywnej instalacji, konfiguracji i obsługi wybranego programu służącego do analiz statystycznych • wykrywania wartości odstających, to jest anomalnych jednostek analizy w zbiorze danych (K_U02) • oceny dużych zbiorów danych pod kątem ich wiarygodności (K_U02) • odkrywania zależności i związków pomiędzy zmiennymi w zbiorach danych • klasyfikacji i kategoryzacji zbiorów danych • podstaw predykcji na podstawie zebranych danych • wykorzystanie zdobytej wiedzy do zarządzania cyberryzykiem (K_U02) • dostosowania poznanych miar statystycznych do potrzeb i problemów cyberbezpieczeństwa (analizy logów/billingów/danych telemetrycznych, predykcji ataków poprzez wykrywanie anomalii w ruchu sieciowym, identyfikacji w sieciach społecznościowych potencjalnie niebezpiecznych grup, probabilistycznej oceny ryzyka działań) (K_U02) Kompetencje Podjęta zostanie próba ukształtowania następujących kompetencji: • zdolności oceny zjawisk otaczającej rzeczywistości w kategoriach probabilistycznych • promowania potrzeby oglądu świata z perspektywy ilościowej (K_K01)
Assessment methods and assessment criteria:	(in Polish) Projekt polegający na przygotowaniu za pomocą powyższych, trafnie dobranych narzędzi. W niektórych przypadkach tematyka projektu zaliczeniowego może obejmować wprowadzenie do zagadnień analitycznych.

Classes in period "Winter semester 2023/24" (past)

Time span:	2023-10-01 - 2024-01-28	Selected timetable range: weekly course term Navigate to timetable MO TU W KON KON TH FR
Type of class:	Seminar, 15 hours more information
Coordinators:	Daniel Mider
Group instructors:	Daniel Mider
Students list:	(inaccessible to you)
Examination:	Course - Grading Seminar - Grading
Short description:	(in Polish) Kurs metod analizy danych obejmuje: - Naukę używania pakietu statystycznego PSPP lub R (z nakładkami GUI); - Analizę rozkładów zmiennych i wykrywanie anomalii; - Pewność wnioskowania na podstawie zbioru danych; - Segmentację danych; - Badanie zależności między zjawiskami; - Testowanie różnic między grupami; - Wstęp do predykacji i tworzenia modeli; - Ocenę prawdopodobieństwa przewidywań i zgodność ekspertów; - Automatyczną analizę danych tekstowych; - Zasady prezentacji danych graficznych.
Full description:	(in Polish) 1. Zajęcia organizacyjne. Wprowadzenie merytoryczne: możliwości (ograniczone) i bariery (znaczne) ilościowej analizy danych. Ilościowa analiza danych – geneza statystyki jako dyscypliny naukowej. Subdyscypliny statystyki (statystyka opisowa, statystyka indukcyjna). Podstawowe pojęcia: populacja, cechy populacji, próba. Wprowadzenie techniczne i organizacyjne: omówienie warunków zaliczenia. Zaopatrzenie słuchaczy kursu w niezbędne narzędzia informatyczne. Omówienie programu, wymogów i zasad. Instalacja i konfiguracja otwartoźródłowego oprogramowania do analizy danych. 2a. Czy dane o zjawiskach zostały sfałszowane lub przejawiają niepokojące anomalie? Kategoryzacja zjawisk masowych według rodzajów rozkładów: rozkład normalny (np. wzrost, IQ, zarobki), rozkład Poissona (np. liczba e-maili/rozmów telefonicznych, które otrzymujesz w ciągu dnia), rozkład wykładniczy (czas między awariami/atakami w systemie komputerowym), rozkład jednostajny (rzut monetą, kostką generowanie liczb losowych przez człowieka). Test dwumianowy, Kołmogorowa-Smirnowa i Shapiro-Wilka. Gdzie nie sięga statystyka: szare i czarne łabędzie Taleba. 2b. Jak odkryć wartości odstające (fałszywe lub anomalne) w zbiorze danych (i się przy tym nie napracować). Wprowadzenie do „metod liczbowych”. „Reguła kciuka”, test Grafa, test Grubbsa, test Dixona, i kryterium Chauveneta. Jakie cyfry wybierają fałszerze: prawo liczb anomalnych Franka Benforda. Inne (potencjalnie) przydatne prawidłowości: prawo potęgowe, zasada Pareto, prawo Zipfa. Addendum: mity i (przerażające) fakty o zjawisku „czarnej serii”. 2c. Na ile pewne może być Twoje wnioskowanie na podstawie zbioru danych i od czego ono zależy? Na podstawie jakich kryteriów możesz wnioskować statystycznie: wielkość i zróżnicowanie zbioru danych. Ilościowy, obiektywny współczynnik pewności wnioskowania: maksymalny standardowy błąd oszacowania. Sposoby obliczania, warunki brzegowe i interpretacja. Moc efektu (effect size) zamiast poziomu istotności (probability value) jako uniwersalny czynnik oceny wyników wielu pomiarów. 3. Podziel dane na segmenty – sztuka profilowania grup i zjawisk niebezpiecznych w zbiorach danych. Klasyfikacja danych w grupy (segmenty) za pomocą analizy skupień. 4. Czy i jak silny jest związek między zjawiskami? Odkryj powiązania pomiędzy zjawiskami i sprawcami. Wprowadzenie do badania współzmienności. Wybrane miary zależności: współczynnik korelacji R Pearsona, stosunek korelacyjny eta (η), chi kwadrat (χ²) + V Craméra. Interpretacja i błędy interpretacyjne zjawiska korelacji (kwartet Anscomba i korelacje pozorne). 5. Takie same, czy nie? Badanie różnic między grupami (czyli o metodzie wnioskowania o podobieństwie lub różnicy innej niż „na oko”). Test t-Studenta (Gosseta) dla dwóch prób zależnych. 6. Sztuka przewidywania zjawisk – analiza regresji. Regresja liniowa jako elementarna metoda prognozowania. Rys historyczny analizy regresji. Teoretyczne podstawy analizy regresji. Obliczanie i analiza regresji liniowej. Regresja wielozmiennowa (wieloraka). Znaczenie zmiennych instrumentalnych. Wprowadzenie do budowy modeli zjawisk – możliwości i ograniczenia. 7. Prawdopodobieństwo przewidywań i zgodność opinii ekspertów. Jak ocenić stopień prawdopodobieństwa stawianych przez Ciebie hipotez – iloraz szans (odds ratio). Oceń liczbowo, na ile eksperci są zgodni w wypowiedziach na dany temat – współczynnik kappa Cohena (κ). 8. Analiza danych jakościowych – tekstów. Analiza wydźwięku (sentymentu) – czyli ile pozytywnych, a ile negatywnych uczuć w wypowiedzi tekstowej. Wykrywanie tzw. mowy nienawiści. Wykryj plagiat, czyli analiza autorstwa. Automatyczne wyszukiwanie nazw miejscowych w dużych tekstach i zamieszczanie ich na mapie. Modelowanie tematyczne tekstów. Narzędzia: https://ws.clarin-pl.eu/. Automatyczne profilowanie cech socjodemograficznych na podstawie tekstu: https://applymagicsauce.com/demo. 9. Statystyka i estetyka – zasady prezentacji danych. Schematy raportów analitycznych. Standardy oceny danych. Datavis/dataviz (wizualizacja danych, data visualisation) versus infografika. Infografika w Canva (https://www.canva.com/pl_pl/). Wizualizacja danych z RawGraphs (https://rawgraphs.io/): diagram alluwialny, wykres Gantta, dendrogram, tesselacje Voronoia i diagram Sankeya. Właściwy dobór schematów kolorystycznych prezentacji. System doboru kolorów D.M. Kesslera (Color Wheel) Narzędzia: http://paletton.com; https://coolors.co/; https://color.adobe.com/pl/create/color-wheel/.
Bibliography:	(in Polish) Literatura obowiązkowa • D. Mider, A. Marcinkowska, Analiza danych ilościowych dla politologów. Praktyczne wprowadzenie z wykorzystaniem programu GNU PSPP, ACAD, Warszawa 2013. • Wskazane nagrania YT z serii DataCat (konto CyberTeam) [konto i filmy prowadzącego zajęcia] Literatura uzupełniająca • S. Beduińska, M. Cypryanska, Statystyczny drogowskaz. Część pierwsza: praktyczne wprowadzenie do wnioskowania statystycznego, SWPS, Warszawa 2013. • P. Francuz, R. Mackiewicz, Liczby nie wiedzą, skąd pochodzą, KUL, Lublin 2007. • J. Górniak, J. Wachnicki, Pierwsze kroki a analizie danych. SPSS PL for Windows, SPSS Polska, Kraków 2000. • D. Larose, Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa 2006. • M. Nawojczyk, Przewodnik po statystyce dla socjologów, SPSS Polska, Kraków 2002. • N. N. Taleb, Czarny łabędź. Skutki wysoce małoprawdopodobnych zdarzeń, Random House, Nowy Jork 2007 • N. N. Taleb, Antykruchość. Rzeczy, które odnoszą korzyści z chaosu, Random House, Nowy Jork 2012.

Classes in period "Winter semester 2024/25" (future)

Time span:	2024-10-01 - 2025-01-26	Selected timetable range: weekly course term Navigate to timetable
Type of class:	Seminar, 15 hours more information
Coordinators:	Daniel Mider
Group instructors:	Daniel Mider
Students list:	(inaccessible to you)
Examination:	Course - Grading Seminar - Grading
Short description:	(in Polish) Kurs metod analizy danych obejmuje: - Naukę używania pakietu statystycznego PSPP lub R (z nakładkami GUI); - Analizę rozkładów zmiennych i wykrywanie anomalii; - Pewność wnioskowania na podstawie zbioru danych; - Segmentację danych; - Badanie zależności między zjawiskami; - Testowanie różnic między grupami; - Wstęp do predykacji i tworzenia modeli; - Ocenę prawdopodobieństwa przewidywań i zgodność ekspertów; - Automatyczną analizę danych tekstowych; - Zasady prezentacji danych graficznych.
Full description:	(in Polish) 1. Zajęcia organizacyjne. Wprowadzenie merytoryczne: możliwości (ograniczone) i bariery (znaczne) ilościowej analizy danych. Ilościowa analiza danych – geneza statystyki jako dyscypliny naukowej. Subdyscypliny statystyki (statystyka opisowa, statystyka indukcyjna). Podstawowe pojęcia: populacja, cechy populacji, próba. Wprowadzenie techniczne i organizacyjne: omówienie warunków zaliczenia. Zaopatrzenie słuchaczy kursu w niezbędne narzędzia informatyczne. Omówienie programu, wymogów i zasad. Instalacja i konfiguracja otwartoźródłowego oprogramowania do analizy danych. 2a. Czy dane o zjawiskach zostały sfałszowane lub przejawiają niepokojące anomalie? Kategoryzacja zjawisk masowych według rodzajów rozkładów: rozkład normalny (np. wzrost, IQ, zarobki), rozkład Poissona (np. liczba e-maili/rozmów telefonicznych, które otrzymujesz w ciągu dnia), rozkład wykładniczy (czas między awariami/atakami w systemie komputerowym), rozkład jednostajny (rzut monetą, kostką generowanie liczb losowych przez człowieka). Test dwumianowy, Kołmogorowa-Smirnowa i Shapiro-Wilka. Gdzie nie sięga statystyka: szare i czarne łabędzie Taleba. 2b. Jak odkryć wartości odstające (fałszywe lub anomalne) w zbiorze danych (i się przy tym nie napracować). Wprowadzenie do „metod liczbowych”. „Reguła kciuka”, test Grafa, test Grubbsa, test Dixona, i kryterium Chauveneta. Jakie cyfry wybierają fałszerze: prawo liczb anomalnych Franka Benforda. Inne (potencjalnie) przydatne prawidłowości: prawo potęgowe, zasada Pareto, prawo Zipfa. Addendum: mity i (przerażające) fakty o zjawisku „czarnej serii”. 2c. Na ile pewne może być Twoje wnioskowanie na podstawie zbioru danych i od czego ono zależy? Na podstawie jakich kryteriów możesz wnioskować statystycznie: wielkość i zróżnicowanie zbioru danych. Ilościowy, obiektywny współczynnik pewności wnioskowania: maksymalny standardowy błąd oszacowania. Sposoby obliczania, warunki brzegowe i interpretacja. Moc efektu (effect size) zamiast poziomu istotności (probability value) jako uniwersalny czynnik oceny wyników wielu pomiarów. 3. Podziel dane na segmenty – sztuka profilowania grup i zjawisk niebezpiecznych w zbiorach danych. Klasyfikacja danych w grupy (segmenty) za pomocą analizy skupień. 4. Czy i jak silny jest związek między zjawiskami? Odkryj powiązania pomiędzy zjawiskami i sprawcami. Wprowadzenie do badania współzmienności. Wybrane miary zależności: współczynnik korelacji R Pearsona, stosunek korelacyjny eta (η), chi kwadrat (χ²) + V Craméra. Interpretacja i błędy interpretacyjne zjawiska korelacji (kwartet Anscomba i korelacje pozorne). 5. Takie same, czy nie? Badanie różnic między grupami (czyli o metodzie wnioskowania o podobieństwie lub różnicy innej niż „na oko”). Test t-Studenta (Gosseta) dla dwóch prób zależnych. 6. Sztuka przewidywania zjawisk – analiza regresji. Regresja liniowa jako elementarna metoda prognozowania. Rys historyczny analizy regresji. Teoretyczne podstawy analizy regresji. Obliczanie i analiza regresji liniowej. Regresja wielozmiennowa (wieloraka). Znaczenie zmiennych instrumentalnych. Wprowadzenie do budowy modeli zjawisk – możliwości i ograniczenia. 7. Prawdopodobieństwo przewidywań i zgodność opinii ekspertów. Jak ocenić stopień prawdopodobieństwa stawianych przez Ciebie hipotez – iloraz szans (odds ratio). Oceń liczbowo, na ile eksperci są zgodni w wypowiedziach na dany temat – współczynnik kappa Cohena (κ). 8. Analiza danych jakościowych – tekstów. Analiza wydźwięku (sentymentu) – czyli ile pozytywnych, a ile negatywnych uczuć w wypowiedzi tekstowej. Wykrywanie tzw. mowy nienawiści. Wykryj plagiat, czyli analiza autorstwa. Automatyczne wyszukiwanie nazw miejscowych w dużych tekstach i zamieszczanie ich na mapie. Modelowanie tematyczne tekstów. Narzędzia: https://ws.clarin-pl.eu/. Automatyczne profilowanie cech socjodemograficznych na podstawie tekstu: https://applymagicsauce.com/demo. 9. Statystyka i estetyka – zasady prezentacji danych. Schematy raportów analitycznych. Standardy oceny danych. Datavis/dataviz (wizualizacja danych, data visualisation) versus infografika. Infografika w Canva (https://www.canva.com/pl_pl/). Wizualizacja danych z RawGraphs (https://rawgraphs.io/): diagram alluwialny, wykres Gantta, dendrogram, tesselacje Voronoia i diagram Sankeya. Właściwy dobór schematów kolorystycznych prezentacji. System doboru kolorów D.M. Kesslera (Color Wheel) Narzędzia: http://paletton.com; https://coolors.co/; https://color.adobe.com/pl/create/color-wheel/.
Bibliography:	(in Polish) Literatura obowiązkowa • D. Mider, A. Marcinkowska, Analiza danych ilościowych dla politologów. Praktyczne wprowadzenie z wykorzystaniem programu GNU PSPP, ACAD, Warszawa 2013. • Wskazane nagrania YT z serii DataCat (konto CyberTeam) [konto i filmy prowadzącego zajęcia] Literatura uzupełniająca • S. Beduińska, M. Cypryanska, Statystyczny drogowskaz. Część pierwsza: praktyczne wprowadzenie do wnioskowania statystycznego, SWPS, Warszawa 2013. • P. Francuz, R. Mackiewicz, Liczby nie wiedzą, skąd pochodzą, KUL, Lublin 2007. • J. Górniak, J. Wachnicki, Pierwsze kroki a analizie danych. SPSS PL for Windows, SPSS Polska, Kraków 2000. • D. Larose, Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa 2006. • M. Nawojczyk, Przewodnik po statystyce dla socjologów, SPSS Polska, Kraków 2002. • N. N. Taleb, Czarny łabędź. Skutki wysoce małoprawdopodobnych zdarzeń, Random House, Nowy Jork 2007 • N. N. Taleb, Antykruchość. Rzeczy, które odnoszą korzyści z chaosu, Random House, Nowy Jork 2012.

Course descriptions are protected by copyright.
Copyright by University of Warsaw.