Předmět: Python and R for Data Science

« Zpět
Název předmětu Python and R for Data Science
Kód předmětu KI/PYR
Organizační forma výuky Přednáška + Cvičení
Úroveň předmětu Magisterský
Rok studia 1
Semestr Zimní
Počet ECTS kreditů 4
Vyučovací jazyk Angličtina
Statut předmětu Povinný
Způsob výuky Kontaktní
Studijní praxe Nejedná se o pracovní stáž
Doporučené volitelné součásti programu Není
Vyučující
  • Škvor Jiří, RNDr. Ph.D.
  • Škvára Jiří, RNDr. Ph.D.
  • Babichev Sergii, prof. DSc.
Obsah předmětu
1. Prohloubení základů syntaxe a základních konstrukcí jazyků Python a R 2. Základy práce s daty a datovými soubory a jejich vizualizace 3. Pokročilé techniky práce s daty a datovými soubory (import, čištění dat aj.) 4. Pokročilé techniky vizualizace dat 5. - 6. Explorační analýza dat, vybrané pokročilé statistické metody (korelační, regresní analýza, faktorová, shluková analýza aj.), inferenční statistika 7. - 8. Základní aplikace metod strojového učení (vybrané klasifikátory či algoritmy pro regresi a shlukování) 9. Základy textové analýzy, analýza sentimentu 10. Analýza sítí 11. - 12. Reporty, dashboardy a interaktivní vizualizace dat 13. Shrnutí, diskuse nad zadáními seminárních prací

Studijní aktivity a metody výuky
nespecifikováno
Výstupy z učení
V předmětu studenti prakticky rozvinou základní dovednosti v programovacích jazycích Python a R v oblastech stěžejních pro datové inženýry a vědce. Různé metody a techniky zpracování, analýzy a vizualizace dat si studenti osvojí ryze prakticky na vzorových řešeních, tj. na aplikační a interpretační úrovni, bez nutnosti hlubších znalostí principů těchto metod a technik, které by měli nabýt v předchozím, případně dalším studiu. Výraznou součástí výuky je práce studentů ve skupinách na řešení případových studií ("inspirovaných daty") menšího rozsahu, jejich prezentace a vzájemné kritické zhodnocení. Zdrojem dat a inspirací jsou platformy typu kaggle.com. Ve výuce se uplatní materiály výukových platforem jako je datacamp.com, které jsou jinak doporučeny zejména k samostudiu a získání certifikátů

Předpoklady
nespecifikováno

Hodnoticí metody a kritéria
nespecifikováno
Zápočet: aktivní účast na cvičeních (řešení zadaných úloh) + v zápočtovém termínu praktický test (řešení zadané úlohy na počítači v počítačové učebně) Zkouška: semestrálního projekt, jeho ústní obhajoba spojená s ověřováním teoretických znalostí
Doporučená literatura


Studijní plány, ve kterých se předmět nachází
Fakulta Studijní plán (Verze) Kategorie studijního oboru/specializace Doporučený ročník Doporučený semestr