Seminarium dyplomowe 2025/2026

Terminy seminarium

• 10.04 (piątek) 18:00-20:15 (3h)
• 17.05 (niedziela) 16:15-18:30 (3h)
• 6.06 (sobota) 17:00-18:30 (2h)
• 21.06 (niedziela) 16:15-18:30 (3h)

Obrony:

• 04.07.2026 (sobota)
• 12.09.2026 (sobota)

Minimalne wymagania techniczne pracy

Każda praca dyplomowa powinna zawierać:

1. Opis problemu badawczego

   • jasno sformułowane pytanie badawcze
   • uzasadnienie wyboru problemu

2. Opis zbioru danych

   • źródło danych
   • liczba obserwacji
   • liczba cech
   • opis zmiennych

3. Eksploracyjną analizę danych (EDA)

   • statystyki opisowe
   • wizualizacje danych
   • identyfikacja braków danych i wartości odstających

4. Zastosowanie co najmniej dwóch metod analitycznych, np.:

   • modele klasyfikacyjne
   • modele regresyjne
   • metody klasteryzacji
   • metody detekcji anomalii

5. Porównanie metod

   • metryki jakości (np. accuracy, F1, RMSE)
   • interpretacja wyników

6. Interpretację wyników

   • znaczenie praktyczne
   • ograniczenia analizy

Konspekt pracy dyplomowej

1. Wstęp
2. Rozdział 1. Opis badanego zjawiska
3. Rozdział 2. Zastosowana metodyka badawcza
4. Rozdział 3. Zastosowanie metod do zjawiska i otrzymane wyniki
5. Zakończenie
6. Bibliografia

Strategia pisania pracy dyplomowej

1. Wybór problemu badawczego
2. Analiza obecnego stanu wiedzy na podstawie np.
   • https://scholar.google.pl/
   • https://arxiv.org/
   • https://dblp.org/
3. Wybór zbioru danych i przeprowadzenie analiz
4. Opisanie rezultatów oraz części teoretycznych

Przykładowe źródła danych oraz tematy prac

• Wykrywanie anomalii z wykorzystaniem analizy behawioralnej
• Zastosowanie LLM w cyberbezpieczeństwie
• Analiza danych pogodowych https://danepubliczne.imgw.pl/pl/introduction, https://python.plainenglish.io/weather-prediction-with-machine-learning-90e04d86cea7
• Analiza sentymentu tekstów np. z google news
• Predykcja autora tekstu, predykcja gatunku książki na podstawie opisu fabuły z Wikipedii https://vgherard.github.io/posts/2024-04-25-grammar-as-a-biometric-for-authorship-verification/
• Analiza zmian w wynikach egzaminów https://mapa.wyniki.edu.pl/MapaEgzaminow/
• Weryfikacja dostępności zasobów rządowych - webscraping i sprawdzanie linków
• Dane od Meta https://ai.meta.com/ai-for-good/datasets/
• Analiza danych przestrzennych https://rpubs.com/Pytlarz_Kapral/1269465
• Analiza danych audio https://004822.xyz/pl/audio-analysis/
• Zadania z Olimpiady AI https://github.com/OlimpiadaAI
• https://www.kaggle.com/datasets
• https://huggingface.co/datasets
• https://registry.opendata.aws/
• https://zenodo.org/
• https://data.europa.eu
• https://archive.ics.uci.edu
• https://data.gov.pl

Tematy prac dyplomowych z poprzednich lat

• Analiza korelacji między atrybutami akustycznymi a popularnością utworów muzycznych na platformie Spotify
• Analiza przestrzenna rozmieszczenia parkometrów w Poznaniu w strefach płatnego parkowania
• Nierówności regionalne w wynikach matury 2024 – analiza geograficzna i społeczna
• Analiza wynagrodzeń absolwentów polskich uczelni w zależności od dziedziny i roku ukończenia studiów przy użyciu narzędzi Big Data
• Analiza porównawcza repozytoriów GitHub w kontekście adopcji i charakterystyki procesów CI/CD z wykorzystaniem GitHub Actions
• Identyfikacja czynników wpływających na sprzedaż mieszkań w Polsce – analiza na poziomie powiatowym w latach 2013–2023
• Wydźwięk artykułów dotyczących Centralnego Portu Komunikacyjnego - analiza sentymentu na podstawie Google News
• Analiza sentymentu w recenzjach produktów na Amazonie
• Wyjaśnienia kontrfaktyczne z wykorzystaniem symulacji Monte Carlo
• Wykorzystanie metod n-gramów w analizie wzorców utworów nadawanych przez polskie stacje radiowe
• Analiza danych sprzedażowych H&M z zastosowaniem systemu rekomendacji produktów

Zasady korzystania z modeli językowych (LLM)

Modele językowe (np. ChatGPT, Claude, Gemini) mogą być wykorzystywane jako narzędzia wspomagające, ale nie jako źródło gotowej pracy.

Dozwolone zastosowania

Modele językowe mogą być używane do:

Wyszukiwania literatury

Przykłady zastosowań:

• generowanie listy słów kluczowych
• wyszukiwanie artykułów naukowych
• streszczanie artykułów
• porównywanie metod

Pomocy w pisaniu tekstu

Możliwe zastosowania:

• poprawa stylu językowego
• parafrazowanie tekstu
• sprawdzanie poprawności językowej
• tłumaczenia

Niedozwolone:

• kopiowanie wygenerowanego tekstu bez weryfikacji
• generowanie całych rozdziałów bez zrozumienia treści

Wyjaśniania metod analitycznych

Modele mogą pomagać w:

• interpretacji wyników
• wyjaśnianiu działania algorytmów
• proponowaniu metryk oceny

Tworzenia kodu

Dozwolone:

• generowanie fragmentów kodu
• debugowanie
• optymalizacja kodu

Wymagane:

• pełne zrozumienie działania kodu
• samodzielna modyfikacja kodu

Niedozwolone zastosowania

Nie wolno:

• generować całej pracy dyplomowej
• kopiować tekstów bez sprawdzenia źródeł
• cytować nieistniejących publikacji
• przedstawiać wygenerowanych treści jako własnych badań

Wymóg transparentności

Jeśli model językowy był używany, należy to zaznaczyć w pracy.

Przykładowa formuła do umieszczenia w pracy:

W pracy wykorzystano model językowy do wsparcia wyszukiwania literatury, poprawy stylistycznej tekstu oraz generowania przykładowych fragmentów kodu. Wszystkie wyniki analiz oraz interpretacje zostały wykonane samodzielnie przez autora.

Dodatkowe rekomendacje (z doświadczenia promotorskiego)

Wymagania formalne

• minimalna liczba stron: 30
• minimalna liczba źródeł: 15 (pakiety R i python też mogą być cytowane)
• podpisy pod wykresami i tabelami

Rekomendacje techniczne

• stworzenie repozytorium na github np. https://github.com/BartoszM-Analyst/End-to-End-Modern-Data-Platform-Lakehouse-Architecture
• wykorzystanie quarto do generowania tekstu pracy np. https://github.com/lwawrowski/thesis-quarto