Detail předmětu

Programování v Pythonu – Data Science

FSI-VPDAk. rok: 2024/2025

Studenti budou s využitím programovacího jazyka Python a jeho knihoven, řešit úlohy z oblasti Data Science.

Jazyk výuky

čeština

Počet kreditů

4

Garant předmětu

Ing. Jiří Kovář, Ph.D.

Zajišťuje ústav

Ústav automatizace a informatiky (ÚAI)

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.

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.

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)

Zařazení předmětu ve studijních plánech

  • Program N-AIŘ-P magisterský navazující 1 ročník, letní semestr, povinně volitelný

  • Program C-AKR-P celoživotní vzdělávání v akr. stud. programu

    specializace CLS , 1 ročník, letní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

13 hod., nepovinná

Vyučující / Lektor

Ing. Jiří Kovář, Ph.D.

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.

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

Ing. Jiří Kovář, Ph.D.

Osnova

Projektovou formou reflektuje cvičení obsah přednášek (4 projekty i s obhajobou, checkpointy).