Software v průmyslovém inženýrství - XP13SID

Kredity 4
Semestry zimní
Zakončení zápočet a zkouška
Jazyk výuky čeština
Rozsah výuky 2P+2C
Anotace
Význam používání software v průmyslovém inženýrství. Použití osobního počítače kompatibilního s IBM PC a Apple. Využití paměti osobního počítače, oprava chyb na disku. Aplikace grafických programů v elektrotechnické praxi. Aplikace matematických programů v elektrotechnické praxi, programování pro grafické znázorňování naměřených hodnot, programů typu "spreadsheet" v elektrotechnické praxi, databází pro ukládání výsledků výpočtů, textových editorů a systémů DTP pro dokumentaci, programů CAD v elektrotechnické praxi. Používání grafického uživatelského prostředí (MS Windows). Používání stanic s OS UNIX v průmyslovém inženýrství. Využívání informačních zdrojů WAN v elektrotechnické praxi. Historie osobních počítačů a jejich využití v elektrotechnice. \\Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/XP13SID
Cíle studia
Cílem studia je získat dostatečné znalosti práce s osobním počítačem v inženýrských aplikacích.
Student by měl být schopen samostatné práce na osobním počítači a rozumět jeho principům.
Studium je zaměřeno a využití počítače pro práci v technických oborech.

Osnovy přednášek
1) Formáty měřených dat: csv, fixní data. Další formáty používané pro zpracování a archivaci: xml, json. Strukturovana a nestrukturovana data. Data na Internetu a v databazi. Textová data.
2) Nástroje na zpracování csv a dalších typů dat. Dávkove zpracování dat ve Windows a Linuxu. Vhodné skriptovací jazyky ve Windows a Linuxu. Příkazová řádka. Použití pipe a přesměrování.ve Windows nebo Linuxu.
3) Manipulace s daty, vyhledávání v datech, změna dat a jejich filtrování. Jazyk SQL (základ). Xpath (základ). Správnost dat. Čištění dat.
4) Statistické zpracovaní dat. Mean a průměr. Rozptyl, standardní odchylka. Populace a výběr. Korelace a kovariace. Testování hypotéz. Testy normality. Anova (základ). Výpočet modelu, metoda nejmenších čtverců.
5) Vizualizace dat a jejich interpretace. Scatter diagram, boxplot, sloupcový diagram. Histogram. Koláčový diagram. Další 2D a 3D diagramy. Zasady tvorby diagramů pro znázornění technologických dat. Popisy os. Volba barev.
6) Excel a jeho využití pro zpracování dat. Pojmenované oblasti. Array funkce a konstanty. Tabulky. Matice. Kontingenční tabulky. Grafy s ohledem na statistické výstupy. Add-Ins. VBA (zaklad).
7) Matlab (základy Matlabu by měli znát už z jiných předmětů) a jemu podobné. Zpracovaní csv dat. Statistický toolbox. Spojení s databází. Vizualizace s ohledem na statistické vystupy.
8) Mathematica (základy by měli již znát z kurzů matematiky). Podobně jako u Matlabu probrat zpracování dat, tj. získání, filtrování, statistika a vhodná vizualizace.
9) Python a Julia. Základy Jazyka. Knihovny pro zpracování dat. Použití pro zpracování dat. Data z Internetu a přístup do databáze.
10) Python a Julia. Náročnější konstrukce. Práce s maticemi. Funkcionální přístup. Pandoc knihovna. Statistika a grafické výstupy.
11) R systém. Základy jazyka. Práce s daty. Statistika. Grafický výstup.
12) Interpretace dat. Co se dá z dat usoudit. Regrese, korelace, optimalizace, simulace.
13) Prezentace dat. Publikování dat. Open access. Autorská práva.
14) Rozhraní, kterými data získáváme.
Osnovy cvičení
1) Formáty měřených dat: csv, fixní data. Další formáty používané pro zpracování a archivaci: xml, json. Strukturovana a nestrukturovana data. Data na Internetu a v databazi. Textová data.
2) Nástroje na zpracování csv a dalších typů dat. Dávkove zpracování dat ve Windows a Linuxu. Vhodné skriptovací jazyky ve Windows a Linuxu. Příkazová řádka. Použití pipe a přesměrování.ve Windows nebo Linuxu.
3) Manipulace s daty, vyhledávání v datech, změna dat a jejich filtrování. Jazyk SQL (základ). Xpath (základ). Správnost dat. Čištění dat.
4) Statistické zpracovaní dat. Mean a průměr. Rozptyl, standardní odchylka. Populace a výběr. Korelace a kovariace. Testování hypotéz. Testy normality. Anova (základ). Výpočet modelu, metoda nejmenších čtverců.
5) Vizualizace dat a jejich interpretace. Scatter diagram, boxplot, sloupcový diagram. Histogram. Koláčový diagram. Další 2D a 3D diagramy. Zasady tvorby diagramů pro znázornění technologických dat. Popisy os. Volba barev.
6) Excel a jeho využití pro zpracování dat. Pojmenované oblasti. Array funkce a konstanty. Tabulky. Matice. Kontingenční tabulky. Grafy s ohledem na statistické výstupy. Add-Ins. VBA (zaklad).
7) Matlab (základy Matlabu by měli znát už z jiných předmětů) a jemu podobné. Zpracovaní csv dat. Statistický toolbox. Spojení s databází. Vizualizace s ohledem na statistické vystupy.
8) Mathematica (základy by měli již znát z kurzů matematiky). Podobně jako u Matlabu probrat zpracování dat, tj. získání, filtrování, statistika a vhodná vizualizace.
9) Python a Julia. Základy Jazyka. Knihovny pro zpracování dat. Použití pro zpracování dat. Data z Internetu a přístup do databáze.
10) Python a Julia. Náročnější konstrukce. Práce s maticemi. Funkcionální přístup. Pandoc knihovna. Statistika a grafické výstupy.
11) R systém. Základy jazyka. Práce s daty. Statistika. Grafický výstup.
12) Interpretace dat. Co se dá z dat usoudit. Regrese, korelace, optimalizace, simulace.
13) Prezentace dat. Publikování dat. Open access. Autorská práva.
14) Rozhraní, kterými data získáváme.
Literatura
[1] Josef Pecinovský, Windows 7, Grada, 2009
[2] Josef pecinovský, Rudolf Pecinovský, Office 2010, Grada 2011
[3] Smith Roderick W., Linux ve světě Windows, Grada 2006
[4] William R. Stanek, Mistrovství v Microsoft Windows Server 2008, Computer Press, 2011


Požadavky
Podmínkou zápočtu je docházka na cvičení, odevzdání všech úloh a úspěšné absolvovální zápočtového testu. Další informace jsou na webových stránkách předmětu.