Jak napisać pracę magisterską z data science i analizy danych – przewodnik

Praca magisterska z data science rządzi się innymi prawami niż klasyczna praca humanistyczna czy nawet większość prac inżynierskich. Masz kod, dane, wyniki eksperymentów i kilka rozdziałów tekstu, które muszą spinać to wszystko w jeden spójny wywód. Komisja często nie rozumie twojego kodu, ale musi zrozumieć, dlaczego wybrałeś akurat tę metodę i co z niej wynika. To właśnie jest najtrudniejsze.

Piszę ten przewodnik na podstawie tego, co widzę u magistrantów, którzy przychodzą do mnie z pracami do korekty. Powtarzają się te same błędy: brakuje uzasadnienia dla wyborów metodologicznych, wyniki modeli wiszą w próżni bez interpretacji, a opis EDA zajmuje 40 stron i zawiera wykresy, których nie potrzebuje nikt poza autorem. Ten tekst ma ci pomóc tego uniknąć.

Typy prac magisterskich z data science

Zanim zaczniesz pisać, musisz wiedzieć, jaki typ pracy piszesz. To nie jest kwestia gustu, to kwestia metodologii i struktury rozdziałów.

Eksploracyjna analiza danych (EDA-focused) – celem jest odkrycie nieznanych wzorców w zbiorze, który nie był wcześniej badany. Klasyczne przykłady to analiza danych zdrowotnych z konkretnej kliniki, badanie wzorców zakupowych na nowym rynku albo analiza ruchu drogowego w mieście po wprowadzeniu zmian infrastrukturalnych. Tutaj wartość pracy tkwi w samej eksploracji, a modelowanie jest uzupełnieniem, nie sednem.

Budowa i ocena pipeline’u analitycznego – projektujesz i implementujesz system przetwarzania danych od źródła do wyniku. Typowy temat to automatyczna klasyfikacja dokumentów, system rekomendacji albo pipeline do wykrywania anomalii w logach. Komisja ocenia tutaj przede wszystkim architekturę rozwiązania i uzasadnienie poszczególnych wyborów technicznych.

Porównanie metod predykcyjnych – bierzesz problem (regresja cen, klasyfikacja chorób, prognoza churn) i porównujesz na nim kilka modeli. Wartość naukowa to rzetelna metodologia porównania: jednolite metryki, ten sam podział danych, statystyczna istotność różnic. To najtrudniejszy typ pracy do zrobienia dobrze, ale też najbardziej cenny dla komisji z twardym backgroundem.

Analiza szeregów czasowych – prognozowanie, dekompozycja sezonowości, detekcja punktów zwrotnych. Dane finansowe, energetyczne, klimatyczne. Tutaj liczy się zrozumienie stacjonarności, testów ADF, modeli ARIMA/SARIMA i tego, kiedy sięgnąć po LSTM zamiast klasycznych metod.

NLP i analiza tekstu – klasyfikacja sentymentu, ekstrakcja informacji, pytania i odpowiedzi, podsumowanie dokumentów. Boom modeli transformatorowych (BERT, RoBERTa, modele z Hugging Face) sprawia, że „fine-tuning gotowego modelu” to temat na solidną pracę magisterską, o ile dobrze opiszesz dataset i metodologię oceny.

Wybór problemu i zbioru danych

To decyzja, którą podejmujesz na początku i z którą żyjesz przez rok. Zły wybór problemu to jedno z najczęstszych źródeł opóźnień i przepisywania pracy.

Dobry problem badawczy ma cztery cechy. Primo: da się go sformalizować jako pytanie z jednoznaczną odpowiedzią („czy model X działa lepiej niż Y na zbiorze Z pod względem metryki M?”). Secundo: masz dostęp do danych wystarczającej jakości. Tertio: skala problemu jest realna dla jednej osoby w 12 miesięcy. Quarto: istnieje literatura, do której możesz się odwołać.

Skąd wziąć dane?

Kaggle (kaggle.com/datasets) – największe publiczne repozytorium zbiorów danych. Ważne: sprawdź licencję każdego datasetu przed użyciem w pracy akademickiej. Zbiory oznaczone CC0 lub „CC BY” są bezpieczne. Unikaj zbiorów bez jasnej licencji.

UCI Machine Learning Repository (archive.ics.uci.edu) – klasyka, setki dobrze udokumentowanych zbiorów, cytowanych w tysiącach prac. Iris, Adult Census, Wine Quality – jeśli chcesz benchmark na znanych danych, to tu szukasz.

Google Dataset Search (datasetsearch.research.google.com) – agregator. Świetny do tematów niszowych: dane samorządowe, środowiskowe, naukowe.

Dane własne lub firmowe – najciekawszy scenariusz z punktu widzenia komisji, ale też najtrudniejszy. Jeśli pracujesz lub staż robiłeś w firmie, która ma dane, zapytaj o zgodę na ich użycie w pracy. Musisz mieć pisemną zgodę i musisz opisać w pracy, jak zanonimizowałeś dane osobowe. Nawet jeśli musisz utajnić część wyników, komisja doceni realny kontekst biznesowy.

API publiczne – Twitter/X API (historyczne, płatne), OpenWeatherMap, dane GUS, dane NBP, Eurostat. Zbieranie danych przez API i budowanie własnego datasetu to solidny wkład własny w pracę.

Jeden częsty błąd: branie pierwszego lepszego datasetu z Kaggle bez sprawdzenia jego jakości. Zanim zakomitujesz się do zbioru, zrób 30-minutową analizę: ile jest brakujących wartości? Jak zbalansowane są klasy (przy klasyfikacji)? Czy dane mają sens dziedzinowy? Czy nie ma ewidentnych błędów (wiek -3 lata, cena 0 zł)?

Eksploracyjna analiza danych (EDA)

EDA to rozdział, który magistranci albo traktują zbyt pobieżnie, albo rozbudowują do rozmiarów encyklopedii. Celem EDA w pracy nie jest „zbadanie wszystkiego” – celem jest zrozumienie danych i uzasadnienie decyzji metodologicznych, które podejmiesz później.

Statystyki opisowe

Zacznij od podstaw: liczba obserwacji, liczba cech, typy zmiennych (numeryczne, kategoryczne, tekstowe, temporalne). Dla zmiennych numerycznych: min, max, mean, median, std, percentyle 25/75/95. Dla kategorycznych: liczba unikalnych wartości, top-5 wartości z frekwencją.

W kodzie wygląda to tak:

import pandas as pd

df = pd.read_csv('data/dataset.csv')
print(df.shape)
print(df.dtypes)
print(df.describe(include='all'))

W tekście pracy nie przepisujesz tych liczb zdanie po zdaniu. Opisujesz obserwacje: „Zmienna X ma rozkład silnie prawostronny (skewness = 2.3, co widać na histogramie w Rysunku 3.1), co sugeruje logarytmiczną transformację przed modelowaniem.”

Rozkłady i wizualizacja

Dla każdej zmiennej numerycznej: histogram + KDE (kernel density estimate). Dla par zmiennych: macierz korelacji Pearsona lub Spearmana (zależy od tego, czy zmienne są normalnie rozłożone). Dla kategorycznych: wykres słupkowy frekwencji.

Biblioteki: matplotlib do precyzyjnego sterowania wyglądem, seaborn do szybkich i ładnych wykresów statystycznych, plotly gdy chcesz interaktywność w Jupyter notebooku.

import seaborn as sns
import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(12, 4))
sns.histplot(df['price'], kde=True, ax=axes[0])
axes[0].set_title('Rozkład ceny')
sns.heatmap(df.corr(numeric_only=True), annot=True, fmt='.2f', ax=axes[1])
axes[1].set_title('Macierz korelacji')
plt.tight_layout()
plt.savefig('figures/eda_price_corr.png', dpi=150)

W pracy zamieszczasz tylko wykresy, które wnoszą informację do narracji. 30 histogramów na 30 stronach to błąd. Wybierz 5-8 najważniejszych i opisz je sensownie.

Braki danych

To punkt, który często decyduje o tym, czy model w ogóle zadziała. Policz procentowo braki dla każdej kolumny. Decyduj świadomie:

• Poniżej 5% braków: imputer (mean/median dla liczb, most_frequent dla kategorii).
• 5-30% braków: rozważ bardziej zaawansowaną imputację (KNNImputer, IterativeImputer z scikit-learn) lub flagi wskaźnikowe (dodajesz nową kolumnę binarną „czy_brak_X”).
• Powyżej 30% braków: poważnie zastanów się, czy ta cecha w ogóle wnosi informację

missing = df.isnull().sum() / len(df) * 100
print(missing[missing > 0].sort_values(ascending=False))

Wartości odstające (outliers)

Z-score i IQR to dwa klasyczne podejścia. Z-score działa przy normalnym rozkładzie. IQR (1.5 * IQR powyżej Q3 lub poniżej Q1) jest odporniejszy na nienormalne rozkłady. DBSCAN jako outlier detector sprawdza się przy wielowymiarowych danych.

Nie usuwaj outliersów automatycznie. Dla każdego usuniętego punktu musisz mieć argumentację: czy to błąd pomiaru (wiek 150 lat), czy obserwacja rzadka ale realna (zamówienie o wartości 50 000 zł w e-commerce)?

Inzynieria cech (feature engineering)

To etap, który często decyduje o przewadze jednego modelu nad drugim bardziej niż dobór algorytmu.

Encoding zmiennych kategorycznych:
– Niskie kardynalności (2-10 unikalnych wartości): one-hot encoding (pd.get_dummies lub OneHotEncoder).
– Wysokie kardynalności (setki kategorii): target encoding (TargetEncoder z sklearn), frequency encoding, albo embeddingi jeśli masz dużo danych.

from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(handle_unknown='ignore', sparse_output=False)
X_cat = enc.fit_transform(df[['region', 'category']])

Normalizacja i standaryzacja:
– StandardScaler (Z-score normalization) dla modeli wrażliwych na skalę: SVM, KNN, regresja logistyczna, sieci neuronowe.
– MinMaxScaler (skalowanie do [0,1]) dla sieci neuronowych lub gdy chcesz zachować kształt rozkładu.
– RobustScaler gdy masz dużo outliersów.
– Drzewa decyzyjne, Random Forest, XGBoost: nie wymagają skalowania.

PCA i redukcja wymiarowości:
Stosuj PCA gdy masz ponad 50 cech i podejrzewasz silną korelację między nimi. Standardowy schemat: n_components = liczba składowych wyjaśniających 95% wariancji. Zawsze skaluj przed PCA. W pracy opisz: ile składowych zachowałeś, jaki procent wariancji wyjaśniają, czy wizualizacja na 2 pierwszych składowych ujawnia strukturę klas.

Feature selection:
SelectKBest (chi2 dla klasyfikacji, f_regression dla regresji), RFECV (recursive feature elimination z cross-validation) lub po prostu feature importances z Random Forest. Dobre praktyki: nie dobierasz cech na zbiorze testowym.

Modelowanie

Typowa praca porównuje 3-5 modeli. Mniej niż 3 to za mało do porównania, więcej niż 5 bez wyraźnego uzasadnienia wygląda jak zbieranie punktów.

Regresja

Linia bazowa: LinearRegression. Regularyzacja: Ridge (L2) lub Lasso (L1) jeśli masz dużo cech lub podejrzewasz multikolinearność. Modele nieliniowe: Random Forest Regressor, GradientBoostingRegressor, XGBRegressor. Metryki: MAE, RMSE, R2. Zawsze raportuj wszystkie trzy, bo każda mówi coś innego.

Klasyfikacja

Linia bazowa: LogisticRegression lub DummyClassifier (majority class). Dalej: RandomForestClassifier, XGBClassifier, LightGBM. Przy niezbalansowanych klasach: class_weight=’balanced’, SMOTE (z biblioteki imbalanced-learn) lub ważone metryki (F1-macro, AUC-ROC zamiast accuracy).

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier

pipe = Pipeline([
    ('scaler', StandardScaler()),
    ('clf', RandomForestClassifier(n_estimators=100, random_state=42))
])
pipe.fit(X_train, y_train)

scikit-learn Pipeline to nie opcja, to obowiązek w profesjonalnie napisanej pracy. Pipeline zapewnia, że preprocessing jest stosowany osobno dla train i test, eliminując data leakage. Komisja techniczna to doceni.

XGBoost i LightGBM

Przy danych tabelarycznych XGBoost i LightGBM regularnie biją sieci neuronowe. Kluczowe hiperparametry do strojenia: n_estimators, max_depth, learning_rate, subsample, colsample_bytree. Strojenie: RandomizedSearchCV (szybszy od GridSearchCV), Optuna (bayesowska optymalizacja, lepsza dla wielu parametrów).

import optuna
from lightgbm import LGBMClassifier
from sklearn.model_selection import cross_val_score

def objective(trial):
    params = {
        'n_estimators': trial.suggest_int('n_estimators', 50, 500),
        'max_depth': trial.suggest_int('max_depth', 3, 10),
        'learning_rate': trial.suggest_float('learning_rate', 0.01, 0.3, log=True),
        'subsample': trial.suggest_float('subsample', 0.5, 1.0),
        'random_state': 42
    }
    model = LGBMClassifier(**params)
    return cross_val_score(model, X_train, y_train, cv=5, scoring='f1_macro').mean()

study = optuna.create_study(direction='maximize')
study.optimize(objective, n_trials=100)

Walidacja i ocena modelu

To punkt, w którym większość prac traci wiarygodność. Błędy są przewidywalne.

Cross-validation: minimum 5-fold StratifiedKFold dla klasyfikacji, KFold dla regresji. Raportuj mean +/- std metryki. Jeśli masz mało danych (poniżej 1000 obserwacji), użyj 10-fold lub leave-one-out.

Zbiory treningowy/walidacyjny/testowy: podział 60/20/20 lub 70/15/15. Zbiór testowy widzisz TYLKO raz, na końcu. Jeśli przymierzasz model do danych testowych kilkanaście razy podczas projektu, twoje wyniki są zainfekowane i nie mają wartości naukowej.

Underfitting vs overfitting: learning curves (wyniki na zbiorze treningowym i walidacyjnym w funkcji rozmiaru danych treningowych) to podstawowe narzędzie diagnostyczne. Szeroka rozbieżność między train i val wskazuje na overfitting. Obie krzywe nisko i blisko siebie to underfitting.

from sklearn.model_selection import learning_curve
import numpy as np

train_sizes, train_scores, val_scores = learning_curve(
    model, X_train, y_train, cv=5,
    train_sizes=np.linspace(0.1, 1.0, 10),
    scoring='f1_macro'
)

SHAP values: jeśli budujesz model XGBoost lub inny model „czarnoskrzynkowy”, SHAP (SHapley Additive exPlanations) to obecnie standard interpretowalności. Wykres SHAP summary plot w rozdziale wyników robi dobre wrażenie na komisji i naprawdę pomaga zrozumieć, co model „widzi”.

Reprodukowalnosc

To temat, o którym magistranci rzadko myślą, a komisje coraz częściej pytają.

random_state=42 wszędzie. W każdym modelu, w każdym splicie danych, w każdej imputacji. Jeśli twoje wyniki są niereprodukowalne, praca nie ma wartości naukowej.

requirements.txt lub environment.yml: lista wszystkich bibliotek z wersjami. Zrób to od pierwszego dnia projektu.

numpy==1.26.4
pandas==2.2.1
scikit-learn==1.4.2
lightgbm==4.3.0
optuna==3.6.1
shap==0.45.0
matplotlib==3.8.4
seaborn==0.13.2

Jupyter notebooks z narracją: notebook to nie tylko kod, to dokument. Każda komórka z kodem powinna mieć przed sobą komórkę Markdown z opisem: co robisz, dlaczego, czego się spodziewasz. Komisja, która nie rozumie kodu, może przeczytać opis i zrozumieć logikę.

Struktura plików projektu, która sprawdza się w praktyce:

projekt/
  data/
    raw/          <- oryginalne dane (NIE modyfikowane)
    processed/    <- dane po preprocessingu
  notebooks/
    01_eda.ipynb
    02_feature_engineering.ipynb
    03_modeling.ipynb
    04_evaluation.ipynb
  src/
    data_utils.py
    model_utils.py
  requirements.txt
  README.md

Wizualizacja wynikow

Wykresy w pracy magisterskiej mają jeden cel: ilustrowanie twierdzeń zawartych w tekście. Jeśli wykres nie ilustruje żadnego twierdzenia, usuń go.

Confusion matrix dla klasyfikacji: zawsze z normalizacją (values jako procenty, nie liczby bezwzględne, gdy klasy są niezbalansowane).

ROC-AUC i Precision-Recall curve: ROC-AUC jest odporna na niezbalansowanie klas bardziej niż accuracy, ale Precision-Recall curve lepiej pokazuje wydajność przy silnym niezbalansowaniu.

Feature importance: barplot z top-15 cech według SHAP lub MDI (mean decrease in impurity) dla drzew.

Plotly vs matplotlib: plotly do eksploracji w notebooku (interaktywne wykresy, zoom, hover). matplotlib/seaborn do finalnych rycin w pracy (pełna kontrola nad DPI, fontami, rozmiarami). Docelowe figury zapisuj jako PNG z dpi=150 lub wyżej.

Tableau/Power BI: jeśli temat pracy to dashboard analityczny lub BI, opis narzędzia wizualizacji jest częścią rozdziału metodologicznego. Zrzuty ekranu dashboardów wstawiaj jako figury z numeracją i opisem.

Pisanie rozdzialow technicznych dla komisji mieszanej

Komisja przy obronie pracy z data science często składa się z promotora (technicznego), recenzenta (który może mieć mniej doświadczenia z ML) i ewentualnie zewnętrznego specjalisty. Piszesz dla wszystkich trzech.

Rozdział 2: Przegląd literatury (10-15 stron) – nie lista streszczeń artykułów. Synteza: jakie metody stosowano w podobnych problemach, jakie osiągały wyniki, jakie mają ograniczenia. Kończy się luką badawczą, którą Twoja praca wypełnia.

Rozdział 3: Metodologia (15-20 stron) – opis datasetu, preprocessing, architektura pipeline’u, uzasadnienie wyboru modeli. Każda decyzja musi mieć uzasadnienie. „Wybrałem XGBoost, ponieważ wykazuje lepsze wyniki niż klasyczne algorytmy na danych tabelarycznych przy ograniczonej próbie [cytowanie]” to poprawne zdanie.

Rozdział 4: Wyniki (15-25 stron) – tabele porównawcze modeli, wykresy, interpretacja. Unikaj prezentowania samych liczb bez komentarza. Każda tabela i każdy wykres wymaga co najmniej jednego zdania interpretacji.

Rozdział 5: Dyskusja (5-10 stron) – co wyniki znaczą w kontekście problemu dziedzinowego, ograniczenia badania, co zrobiłbyś inaczej, kierunki dalszych badań.

Etyka danych, RODO i bias

To sekcja, której brakuje w większości prac technicznych, a która coraz częściej pojawia się w pytaniach komisji.

RODO: jeśli dane zawierają informacje o osobach (wiek, płeć, lokalizacja, nawyki zakupowe), opisz w pracy, jak zapewniłeś zgodność z RODO. Anonimizacja (usunięcie identyfikatorów), pseudonimizacja (zamiana na kody), agregacja (praca na statystykach zamiast danych jednostkowych).

Bias w danych: zbiory uczące odzwierciedlają uprzedzenia zawarte w procesie ich zbierania. Model rekrutacyjny uczony na historycznych CV może dyskryminować kobiety. Model oceny zdolności kredytowej uczony na historycznych decyzjach banku może utrwalać nierówności ekonomiczne. Nawet jeśli Twoja praca nie dotyczy takich tematów, sekcja o potencjalnych ograniczeniach i biasie podnosi wartość metodologiczną pracy.

Fairness metrics: jeśli masz cechy wrażliwe (płeć, wiek, narodowość), warto sprawdzić metryki fairness: demographic parity, equalized odds. Biblioteki: Fairlearn (Microsoft), AIF360 (IBM). Nawet wzmianka i analiza jednej metryki to plus.

Najczestsze bledy

Zebrałam błędy, które widzę najczęściej:

1. Data leakage: preprocessing stosowany na całym zbiorze przed podziałem train/test. Normalizacja, imputacja, encoding – zawsze fit na train, transform na train i test osobno.

2. Metryka accuracy przy niezbalansowanych klasach: jeśli 95% obserwacji to klasa 0, model przewidujący zawsze 0 ma accuracy = 0.95. To nie jest dobry model. Używaj F1, AUC-ROC, Matthew’s Correlation Coefficient.

3. Brak interpretacji wyników: tabela z liczbami to nie wyniki. Wyniki to liczby plus ich znaczenie.

4. Overfitting przez zbyt intensywne strojenie hiperparametrów na zbiorze testowym: używaj osobnego zbioru walidacyjnego do strojenia.

5. Jeden model, brak linii bazowej: bez DummyClassifier lub prostej regresji liniowej nie wiadomo, czy twój XGBoost w ogóle wnosi wartość.

6. Brak reprodukowalności: praca bez random_state i bez requirements.txt to praca, której wyników nie można powtórzyć.

7. Zbyt duże notebooki bez struktury: jeden plik z 500 komórkami to nie projekt, to chaos.

Przyblizony plan pracy i liczba stron

Dla pracy magisterskiej z data science standardowa objętość to 60-80 stron tekstu (bez kodu, bez aneksów). Orientacyjny podział:

• Wstęp (cel pracy, hipotezy, motywacja): 3-5 stron
• Przegląd literatury i podstawy teoretyczne: 12-18 stron
• Opis danych i metodologia: 15-20 stron
• Wyniki (EDA + modelowanie + ocena): 18-25 stron
• Dyskusja i wnioski: 8-12 stron
• Piśmiennictwo: 2-4 strony
• Aneksy (kod, dodatkowe wykresy): opcjonalnie

Kod umieszczaj w aneksach lub w repozytorium GitHub z odnośnikiem w pracy. Nie przepisuj całego kodu do tekstu – wstawiaj tylko fragmenty kluczowe dla metodologii.

FAQ

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.