Data Science with R - JEM181

• Anglický název: Data Science with R
• Český název: Data Science with R
• Zajišťuje: Institut ekonomických studií (23-IES)
• Fakulta: Fakulta sociálních věd
• Platnost: od 2019
• Semestr: zimní
• E-Kredity: 6
• Způsob provedení zkoušky: zimní s.:kombinovaná
• Rozsah, examinace: zimní s.:2/2, Zk [HT]
• Počet míst: neurčen / neurčen (80)
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: nevyučován
• Jazyk výuky: angličtina
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Poznámka: předmět je možno zapsat mimo plán; povolen pro zápis po webu; při zápisu přednost, je-li ve stud. plánu
• Garant: prof. PhDr. Ladislav Krištoufek, Ph.D.
• Je neslučitelnost pro: JEM227, JEM221

Anotace

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (23.09.2016)

Introductory course to Data Science with applications in the R programming environment. Special focus is put on data visualization, data & text mining, and machine learning methods.

Cíl předmětu

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (23.09.2016)

The main aim of the course is to train students to be able to properly analyze specific datasets with methods outside of standard econometric framework using the R programming environment.

Literatura

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (25.09.2017)

Mandatory literature:

• Toomey, Dan (2014): R for Data Science, Packt Publishing Ltd., Birmingham, UK
• Zumel, Nina & Mount, John (2014): Practical Data Science with R, Manning Publications Co., Shelter Island, NY, USA

Additional suggested literature:

• Grolemung, Garret (2014): Hands-On Programming with R, O'Reilly Media Inc., Sebastopol, CA, USA
• Ojeda, Tony et al. (2014): Practical Data Science Cookbook, Packt Publishing Ltd., Birmingham, UK

Metody výuky

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (01.10.2018)

Lectures + Seminars (2 parallel classes, Tuesdays and Wednesdays):

• Group 1: Tuesdays 9:30 - 12:20 (room 016) with a break of 10 minutes
• Group 2: Wednesdays: 9:30 - 12:20 (room 016) with a break of 10 minutes

Software: R and RStudio (available on all computers in room 016)

Požadavky ke zkoušce

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (10.10.2018)

The final grade consists of three ingredients:

• DataCamp assignments: 25 (5*5)
• Active participation during lectures and seminars: 10
• Final project: 35
• Final test: 30

Grading scale (according to Dean's Provision 17/2018):

• A: above 90 (not inclusive)
• B: between 80 (not inclusive) and 90 (inclusive)
• C: between 70 (not inclusive) and 80 (inclusive)
• D: between 60 (not inclusive) and 70 (inclusive)
• E: between 50 (not inclusive) and 60 (inclusive)
• F: below 50 (inclusive)

DataCamp.com assignments:

• Assignment #1 - by the end of Week #4:
• Introduction to R
• Assignment #2 - by the end of Week #7:
• Intro to Exploratory Data Analysis (optional)
• Training and Evaluating of Regression Models
• Issues to Consider
• Tree-based Methods
• Assignment #3 - by the end of Week #10:
• Introduction to Machine Learning
• Assignment #4 - by the end of Week #12:
• Text Mining: Bag of Words
• Assignment #5 - by the end of Week #12:
• Unsupervised Learning in R

Sylabus

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (01.10.2018)

• Week #1-#2: Course information + R basics (ZM 1, G 3-5)

• Week #3: Loading data, cleaning data, sampling (ZM 2-4)

• Week #4: Model evaluation (ZM 5)

• Week #4-5: Memorization methods (ZM 6)

• Week #6: Correlations, linear and logistic regressions and beyond (ZM 7, T4-5)

• Week #7: Clustering (T1, ZM 8)

• Week #8-#9: Data and text mining sequences (T 2-3)

• Week #10: Reducing training variance & Generalized additive models (ZM 9)

• Week #11: Machine learning techniques (ZM 9, T 10-12)

• Week #12: aLook Analytics presentation

Vstupní požadavky

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (26.09.2016)

There are no formal course requirements. However, knowledge up to the level of Statisics (JEB105) and Econometrics I (JEB109) courses is assumed and expected.

Požadavky k zápisu

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (26.09.2016)

There are no formal course requirements. However, knowledge up to the level of Statisics (JEB105) and Econometrics I (JEB109) courses is assumed and expected.