Předměty

Váš prohlížeč nepodporuje JavaScript nebo je jeho podpora vypnutá. Některé funkce nemusejí být dostupné.

Data Science with R I - JEM221

Anglický název:	Data Science with R I
Český název:	Data Science with R I
Zajišťuje:	Institut ekonomických studií (23-IES)
Fakulta:	Fakulta sociálních věd
Platnost:	od 2020 do 2020
Semestr:	zimní
E-Kredity:	5
Způsob provedení zkoušky:	zimní s.:kombinovaná
Rozsah, examinace:	zimní s.:2/0, Zk [HT]
Počet míst:	1040 / neurčen (200)
Minimální obsazenost:	neomezen
4EU+:	ne
Virtuální mobilita / počet míst pro virtuální mobilitu:	ne
Stav předmětu:	vyučován
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.
Vyučující:	Mgr. Dominik Herman prof. PhDr. Ladislav Krištoufek, Ph.D.
Třída:	Courses not for incoming students
Neslučitelnost :	JEM181
Je prerekvizitou pro:	JEM220

Termíny zkoušek Rozvrh Nástěnka

Anotace -

Poslední úprava: Mgr. Michaela Čuprová (06.05.2020)

Úvodní kurz pro Data Science se zaměřením na programovací prostředí R. Předmět uvádí do základního prakrického programování v prostředí R, zahrnující hodnocení modelů, memorizační metody, pokročilé regresní techniky a snižování rozptylu tréninkových vzorků. Na předmět Data Science with R I bude v letním semestru navazovat předmět Data Science with R II se zaměřením na shlukování, SVM, neurální sítě a obecnější síťové metody.

Cíl předmětu -

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (23.10.2019)

Hlavním cílem kurzů Data Science with R I a II je naučit studenty pracovat v prostředí R tak, aby vhodně analyzovali data, a to i s užitím metod, které nejsou standardní součastí kurikula ekonometrie.

Literatura -

Poslední úprava: Mgr. Michaela Čuprová (06.05.2020)

Povinná literatura:

Ledolter, Johannes (2013): Data Mining and Business Analytics with R, John Wiley & Sons, Hoboken, New Jersey, NJ, USA
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

Další doporučená literatura:

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

Požadavky ke zkoušce -

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (04.10.2023)

Přepněte, prosím, do anglické verze.

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (21.10.2023)

There are two components to the final score and grade:

3 Tracks in DataCamp (40 points)
4 Core Assessments in DataCamp (20 points)
2 Topical Assessments in DataCamp (40 points)

Use this LINK to register to DataCamp, fill in the profile (properly, use your name, it will be used to track fulfillment of assignments), and complete your assignments there. If you do not have a @fsv.cuni.cz email, let me know, I will send you an invite.

Tracks (upload certificates of completion to the Study Roster, separately for the completed tracks):

Skill Track "Statistics Fundamentals with R" (10 points) - by 3 December 2023 CET
Skill Track "Machine Learning Fundamentals in R" (15 points) - by 4 February 2024 CET
Skill Track "Supervised Machine Learning in R" (15 points) - by 4 February 2024 CET

Core Assessments (upload a printscreen of your finished assessments to the Study Roster, make sure you name is visible in the printscreen):

Exploratory Analysis Theory (5 points) - by 12 November 2023 CET
Analytic Fundamentals (5 points) - by 12 November 2023 CET
Understanding and Interpreting Data (5 points) - by 12 November 2023 CET
R Programming (5 points) - by 12 November 2023 CET
You need to get at least 120 score to obtain 5 points for each of these four Core Assessments.
You can re-take the assessments twice a week during the whole semester (up till the deadline). Remember that the last one counts (not necessarily the best one).

Topical Assessments (upload a printscreen of your finished assessments to the Study Roster, make sure you name is visible in the printscreen):

Statistics Fundamentals with R (20 points) - by 4 February 2024 CET
Machine Learning Fundamentals in R (20 points) - by 4 February 2024 CET
To get the score, use the DataCamp score x and fit it to (x-60)/80*100%
At least 50%, i.e. at least 10 points, from each assessment is a necessary (not a sufficient) condition for passing the Data Science wiht R I course.
You can re-take the assessments twice a week during the whole semester (up till the deadline). Remember that the last one counts (not necessarily the best one).

Grading scale follows the faculty regulations:

A: 90+
B: 80-90
C: 70-80
D: 60-70
E: 50-60
F: below 50

Sylabus -

Poslední úprava: Mgr. Michaela Čuprová (06.05.2020)

Struktura výuky:

Týden #1: Course information + Introduction to Data Science
Týden #2-#4: R basics (ZM 1, G 3-5)
Týden #5-6: Loading data, cleaning data, sampling (ZM 2-4)
Týden #7: Model evaluation (ZM 5)
Týden #8-#9: Memorization methods (ZM 6)
Týden #10-#12: Advanced regression methods (linear, logistic, GAMs, LASSO, ridge) (ZM 7, T4-5)

Vstupní požadavky -

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (23.10.2019)

Nejsou vstupní požadavky ani prerekvizity, ale očekává se znalost základních kvantitativních metod a logiky empirického výzkumu alespoň na úrovni Econometrics I + II a Statistics.

Požadavky k zápisu -

Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (23.10.2019)

Nejsou vstupní požadavky ani prerekvizity, ale očekává se znalost základních kvantitativních metod a logiky empirického výzkumu alespoň na úrovni Econometrics I + II a Statistics.