Poslední úprava: Mgr. Michaela Čuprová (07.06.2020)
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.
Poslední úprava: Mgr. Michaela Čuprová (07.06.2020)
Introductory course to Data Science with applications in the R programming environment. Special focus is put on understanding of basic practical programming in R, covering model evaluation, memorization methods, advanced regression techniques, and training variance reduction. The Data Science with R I course will be followed by Data Science with R II covering clustering, text mining, support vector machines, neural networks, and networks.
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.
Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (10.09.2019)
The main aim of the set of courses (Data Science with R I + II) 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: PhDr. Petr Bednařík, Ph.D. (05.06.2020)
Mandatory literature:
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
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
Poslední úprava: PhDr. Petr Bednařík, Ph.D. (05.06.2020)
Mandatory literature:
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
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
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: prof. PhDr. Ladislav Krištoufek, Ph.D. (04.10.2023)
Přepněte, prosím, do anglické verze.
Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (05.10.2023)
See the Teaching methods section.
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.
Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (10.09.2019)
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. (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.
Poslední úprava: prof. PhDr. Ladislav Krištoufek, Ph.D. (10.09.2019)
There are no formal course requirements. However, knowledge up to the level of Statisics (JEB105) and Econometrics I (JEB109) courses is assumed and expected.
