Detail předmětu
Programování v Pythonu – Data Science
FSI-VPDAk. rok: 2023/2024
Studenti budou s využitím programovacího jazyka Python a jeho knihoven, řešit úlohy z oblasti Data Science.
Jazyk výuky
čeština
Počet kreditů
4
Garant předmětu
Zajišťuje ústav
Vstupní znalosti
Základy programování na úrovni kurzu VP0 (Programování v Pythonu).
Pravidla hodnocení a ukončení předmětu
Aktivní účast a zvládnutí zadaného problému v požadované kvalitě.
Výuka běží podle týdenních plánů. Účast na cvičeních je povinná. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.
Výuka běží podle týdenních plánů. Účast na cvičeních je povinná. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.
Učební cíle
Porozumět využití jazyka Python a jeho knihoven (pandas, numpy, matplotlib aj.) pro oblast Data Science. Pokročilé programování v Pythonu.
Po úspěšné zvládnutí předmětu budou studenti schopni využít znalosti v praktických oblastech Data Science. Hlavním cílem datových specialistů je vyčistit a analyzovat velká data.
Po úspěšné zvládnutí předmětu budou studenti schopni využít znalosti v praktických oblastech Data Science. Hlavním cílem datových specialistů je vyčistit a analyzovat velká data.
Základní literatura
BERKA, Petr, 2003. Dobývání znalostí z databází. Praha: Academia. ISBN 80-200-1062-9. (CS)
VANDERPLAS, Jacob T., [2017]. Python data science handbook: essential tools for working with data. Beijing: O'Reilly. ISBN 978-1-4919-1205-8. (EN)
VANDERPLAS, Jacob T., [2017]. Python data science handbook: essential tools for working with data. Beijing: O'Reilly. ISBN 978-1-4919-1205-8. (EN)
VANDERPLAS, Jacob T., [2017]. Python data science handbook: essential tools for working with data. Beijing: O'Reilly. ISBN 978-1-4919-1205-8. (EN)
VANDERPLAS, Jacob T., [2017]. Python data science handbook: essential tools for working with data. Beijing: O'Reilly. ISBN 978-1-4919-1205-8. (EN)
Elearning
eLearning: aktuální otevřený kurz
Zařazení předmětu ve studijních plánech
- Program N-AIŘ-P magisterský navazující 1 ročník, letní semestr, povinně volitelný
Typ (způsob) výuky
Přednáška
13 hod., nepovinná
Vyučující / Lektor
Osnova
P1: Přehled základních metod strojového učení a aplikované statistiky.
P2: Pokročilé metody strojového učení. Kombinace učících algoritmů. Učení v multirelačních datech. Dolování v grafech a sekvencích.
P3: Big data analytics. Teorie strojového učení Bias-varinace tradeoff. Modely učení. Vizualizace dat.
P4: Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech. Detekce odlehlých bodů.
P5: Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu, biologické vědy a bioinformatika.
P2: Pokročilé metody strojového učení. Kombinace učících algoritmů. Učení v multirelačních datech. Dolování v grafech a sekvencích.
P3: Big data analytics. Teorie strojového učení Bias-varinace tradeoff. Modely učení. Vizualizace dat.
P4: Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech. Detekce odlehlých bodů.
P5: Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu, biologické vědy a bioinformatika.
Cvičení s počítačovou podporou
26 hod., povinná
Vyučující / Lektor
Osnova
Projektovou formou reflektuje cvičení obsah přednášek (4 projekty i s obhajobou, checkpointy).
Elearning
eLearning: aktuální otevřený kurz