Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar		 Tantárgy Adatlap
Tantárgy kód BMETEKTMsCEMKF-00
Tantárgy azonosító adatok
1. A tárgy címe Egyéni módszertani készségfejlesztés
2. A tárgy angol címe Individual Methodological Skills Development
3. Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa 0 + 2 + 0 f Kredit 3
4. Ajánlott/kötelező előtanulmányi rend
vagy Tantárgy kód 1 Rövid cím 1 Tantárgy kód 2 Rövid cím 2 Tantárgy kód 3 Rövid cím 3
4.1 BMETE47MC38 Statisztika és kísérlettervezés
4.2
4.3
5. Kizáró tantárgyak
6. A tantárgy felelős tanszéke Kognitív Tudományi Tanszék
7. A tantárgy felelős oktatója Dr. Lukics Krisztina Sára beosztása egyetemi adjunktus
Akkreditációs adatok
8. Akkreditációra benyújtás időpontja 2024.05.06. Akkreditációs bizottság döntési időpontja 2024.07.05.
Tematika
9. A tantárgy az alábbi témakörök ismeretére épít
A kognitív tudományban alkalmazott adatfeldolgozási és statisztikai módszerek alapszintű ismerete
10. A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
A TTK Számítógépes és kognitív idegtudomány MSc képzés kötelezően választható tárgya
11. A tárgy részletes tematikája

A tárgy elvégzése során a hallgatók egyéni érdeklődésük szerint és egyéni feladatok elvégzése mentén mélyülnek el az adatfeldolgozás és a statisztika módszereiben. A hallgatók ezáltal olyan készségekre tesznek szert, amelyek lehetővé teszik, hogy a kognitív témájú kutatásokban jellemző nagyvolumenű adathalmazokat hetékonyan kezeljék, feldolgozzák és elemezzék. Egyéni feladat lehetőségek: 1) az R programnyelv alkalmazása az adatfeldolgozásban, adatelemzésben és adatkommunikációban, 2) a python programnyelv alkalmazása az adatfeldolgozásban, adatelemzésben és adatkommunikációban, 3) az SQL programnyelv alkalmazása az adatkezelésben. A tárgy teljesítése és a jegyszerzés az egyénileg kiírt feladatok teljesítésével lehetséges.

During the course of the subject, students delve into the methods of data processing and statistics according to their individual interests and through the completion of individual assignments. In this way, students acquire skills that enable them to efficiently handle, process, and analyze the large data sets typical of cognitive research. Individual assignment options: 1) applying the R programming language to data processing, data analysis, and data communication, 2) applying the Python programming language to data processing, data analysis, and data communication, 3) applying the SQL programming language to data management. Completion of the subject and obtaining a grade is possible by completing individually assigned tasks.
12. Követelmények, az osztályzat (aláírás) kialakításának módja
szorgalmi
időszakban		 Házi feladatok elkészítése és konzultáció vizsga-
időszakban
13. Pótlási lehetőségek
TVSZ szerint
14. Konzultációs lehetőségek
Az oktatóval egyeztetve személyesen vagy emailben
15. Jegyzet, tankönyv, felhasználható irodalom
Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for data science. O'Reilly Media.
Long, J. D., & Teetor, P. (2019). R cookbook: proven recipes for data analysis, statistics, and graphics. O'Reilly Media.
McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas & Numpy. O'Reilly Media.
VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O'Reilly Media.
16. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
16.1 Kontakt óra
28
16.2 Félévközi felkészülés órákra
0
16.3 Felkészülés zárthelyire
0
16.4 Zárthelyik megírása
0
16.5 Házi feladat elkészítése
62
16.6 Kijelölt írásos tananyag elsajátítása (beszámoló)
0
16.7 Egyéb elfoglaltság
0
16.8 Vizsgafelkészülés
0
16.9 Összesen
90
17. Ellenőrző adat Kredit * 30
90
A tárgy tematikáját kidolgozta
18. Név beosztás Munkahely (tanszék, kutatóintézet, stb.)
Dr. Lukics Krisztina Sára
egyetemi adjunktus
Kognitív Tudományi Tanszék
A tanszékvezető
19. Neve aláírása
Dr. Babarczy Anna