Analýza dat v R pro studenty humanitních oborů - NPFL112

• Anglický název: Data Science in R for Students of Humanities
• Zajišťuje: Ústav formální a aplikované lingvistiky (32-UFAL)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2025
• Semestr: oba
• E-Kredity: 3
• Rozsah, examinace: 2/0, Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Kompetence: critical thinking, data literacy
• Stav předmětu: vyučován
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Další informace: https://ufal.mff.cuni.cz/courses/r-for-humanities/english
• Poznámka: předmět lze zapsat v ZS i LS
• Garant: Mgr. Silvie Cinková, Ph.D.
• Vyučující: Mgr. Silvie Cinková, Ph.D.
• Třída: Informatika Mgr. - Matematická lingvistika
• Kategorizace předmětu: Informatika > Počítačová a formální lingvistika

Anotace

čeština

V humanitních oborech se nezvratně prosazuje paradigma tzv. Digital Humanities založené na automatické a typicky kvantitativní analýze (velkých) dat. Naučíme vás: - čistit a strukturovat data do přehledných tabulek - odhalovat trendy, pravidelnosti, i extrémní případy - základy moderní vizualizace Používáme veřejně přístupný programovací jazyk R, jeho vyspělé grafické vývojové rozhraní RStudio a moderní analytické knihovny rodiny tidyverse.

Poslední úprava: Kuboň Vladislav, doc. RNDr., Ph.D. (05.06.2018)

angličtina

The humanities have seen an irreversible paradigm shift towards Digital Humanities, based on automatic quantitative analysis of (big) data. We will teach you: - to clean and structure data into neat tables; - to discover trends, recurring patterns, and outliers - basics of modern data visualization We use the open-source programming language R along with its advanced RStudio IDE and tidyverse, the globally popular collection of professional data-scientific tools.

Poslední úprava: Kuboň Vladislav, doc. RNDr., Ph.D. (05.06.2018)

Podmínky zakončení předmětu

čeština

Předmět je zakončen zkouškou. Zkouška neobsahuje žádný závěrečný test, ale skládá se z hodnocení studentovy práce za celý semestr podle následujících kritérií:

Dobře: 30 000 XP na DataCampu, aktivní přítomnost v hodinách (nebo ekvivalent v DataCamp XP: zameškaná hodina = 1000 XP navíc), 1 samostatný domácí úkol odevzdaný v termínu.

Velmi dobře: 30 000 XP na DataCampu, aktivní přítomnost v hodinách (nebo ekvivalent v DataCamp XP: zameškaná hodina = 1000 XP navíc), 2 samostatné domácí úkoly odevzdané v termínu.

Výborně: 30 000 XP na DataCampu, aktivní přítomnost v hodinách (nebo ekvivalent v DataCamp XP: zameškaná hodina = 1000 XP navíc), 3 samostatné domácí úkoly odevzdané v termínu.

Do limitu XP z DataCampu se počítají jenom body z aktuálního semestru a z předepsaných kurzů (pokud je student již vypracoval někdy v minulosti, je povinen domluvit si individuální alternativní zadání s vyučujícím).

Termín splnění studijních povinností zadaných na platformě DataCamp je omezen platností licence (přesně 6 měsíců od první rozvržené hodiny v semestru). Náhradní plnění mimo DataCamp není možné.

Poslední úprava: Cinková Silvie, Mgr., Ph.D. (23.05.2025)

angličtina

The course is completed with an examination without a final test. Instead, the grading is based on your obligation fulfillment like so:

Grade C: 30,000 DataCamp XP, active participation (or equivalent: each absence increases your passing limit by 1,000 DataCamp XP), one home assignment submitted in time and approved by the teacher.

Grade B: 30,000 DataCamp XP, active participation (or equivalent: each absence increases your passing limit by 1,000 DataCamp XP), two home assignments submitted in time and approved by the teacher.

Grade A: 30,000 DataCamp XP, active participation (or equivalent: each absence increases your passing limit by 1,000 DataCamp XP), three home assignments submitted in time and approved by the teacher.

For your limit count only DataCamp XP that you acquire in DataCamp courses listed for home assignments and in your current term. Should you have completed them in the past, you must negotiate an alternative list of Data Camp courses with the teacher in advance.

Your free DataCamp license is valid for six months since the course start and cannot be extended. You must complete your assignments within that period. No alternative assignments can be negotiated.

Poslední úprava: Cinková Silvie, Mgr., Ph.D. (23.05.2025)

Literatura

čeština

Hlavní prameny:

Hadley Wickham and Garrett Grolemund. 2017. R for Data Science. O'Reilly. Momentálně zdarma online: http://r4ds.had.co.nz/

Garrett Grolemund. 2014. Hands-On Programming with R. O'Reilly.

Nina Zumel and John Mount. 2014 Practical Data Science with R. Manning.

Vedlejší prameny:

Julia Silge and David Robinson: Text Mining with R. A tidy approach. 2017. O'Reilly.

Stefan Th. Gries. 2013. Statistics for Linguistics with R. A practical introduction. De Gruyter.

Stefan Th. Gries. 2009. Quantitative Corpus Linguistics with R. De Gruyter. Routledge.

Matthew L. Jockers. 2014. Text Analysis with R for Students of Literature. Springer.

Natalia Levshina. 2015. How to do Linguistics with R. Data exploration and statistical analysis. John Benjamins.

Simon Munzert, Christian Rubba, Peter Meissner, Dominic Nyhuis: Automated Data Collection with R. A Practical Guide to Web Scraping and Text Mining. 2015. Wiley.

Poslední úprava: Kuboň Vladislav, doc. RNDr., Ph.D. (05.06.2018)

angličtina

Hadley Wickham and Garrett Grolemund. 2017. R for Data Science. O'Reilly. Momentálně zdarma online: http://r4ds.had.co.nz/

Garrett Grolemund. 2014. Hands-On Programming with R. O'Reilly.

Nina Zumel and John Mount. 2014 Practical Data Science with R. Manning.

Julia Silge and David Robinson: Text Mining with R. A tidy approach. 2017. O'Reilly.

Stefan Th. Gries. 2013. Statistics for Linguistics with R. A practical introduction. De Gruyter.

Stefan Th. Gries. 2009. Quantitative Corpus Linguistics with R. De Gruyter. Routledge.

Matthew L. Jockers. 2014. Text Analysis with R for Students of Literature. Springer.

Natalia Levshina. 2015. How to do Linguistics with R. Data exploration and statistical analysis. John Benjamins.

Simon Munzert, Christian Rubba, Peter Meissner, Dominic Nyhuis: Automated Data Collection with R. A Practical Guide to Web Scraping and Text Mining. 2015. Wiley.

Poslední úprava: Kuboň Vladislav, doc. RNDr., Ph.D. (05.06.2018)

Požadavky ke zkoušce

Předmět je zakončen zkouškou. Zkouška neobsahuje žádný závěrečný test, ale skládá se z hodnocení studentovy práce za celý semestr podle následujících kritérií:

Dobře: 30 000 XP na DataCampu, aktivní přítomnost v hodinách (nebo ekvivalent v DataCamp XP: zameškaná hodina = 1000 XP navíc), 1 samostatný domácí úkol odevzdaný v termínu.

Velmi dobře: 30 000 XP na DataCampu, aktivní přítomnost v hodinách (nebo ekvivalent v DataCamp XP: zameškaná hodina = 1000 XP navíc), 2 samostatné domácí úkoly odevzdané v termínu.

Výborně: 30 000 XP na DataCampu, aktivní přítomnost v hodinách (nebo ekvivalent v DataCamp XP: zameškaná hodina = 1000 XP navíc), 3 samostatné domácí úkoly odevzdané v termínu.

Do limitu XP z DataCampu se počítají jenom body z aktuálního semestru a z předepsaných kurzů (pokud je student již vypracoval někdy v minulosti, je povinen domluvit si individuální alternativní zadání s vyučujícím).

Termín splnění studijních povinností zadaných na platformě DataCamp je omezen platností licence (přesně 6 měsíců od první rozvržené hodiny v semestru). Náhradní plnění mimo DataCamp není možné.

Poslední úprava: Cinková Silvie, Mgr., Ph.D. (23.05.2025)

Sylabus

čeština

1. Základní pojmy R, výhody R v datové analýze jako subdisciplíně programování

2. Tabulky, vektory, načtení tabulkového souboru, vektor jako sloupec tabulky, typy veličin jako třídy vektorů, výběr (subsetting) elementů, řádků a sloupců v základním R

3. Grafická knihovna ggplot2, mapování veličin na estetické škály, typy grafů a škál (funkce geom_, scale_)

4. Čištění dat - knihovna dplyr: výběr a manipulace řádků (filter, slice, arrange) a sloupců (select, rename, mutate, if_else, case_when)

5. Čištění dat - skupiny (group_by, across, rowwise), agregace (count, summarize)

6. Sdružování tabulek (joins)

7. Koncept "tidy data", konverze mezi "širším" a "delším" formátem tabulky pro použití s dplyr a ggplot2, tidyr (pivot_longer, pivot_wider, unite and separate)

8. Operace na řetězcích, regulární výrazy vč. "look-around"

9. Koncept iterace v R: vektorizace, cyklus, funkce rodiny apply a funkce rodiny map z knihovny purrr v běžných uživatelských situacích

10. Dolování informací z textu s pomocí automatické syntaktické anotace, interakce s API syntaktického parseru UDPipe

Oblíbené datasety: gapminder (https://www.gapminder.org/data/), built-in datasety iris, diamonds, corpora

Poslední úprava: Cinková Silvie, Mgr., Ph.D. (22.05.2023)

angličtina

1. Basic concepts of R, advantages of R in data analysis as a subdiscipline of programming

2. Tables, vectors, loading a table file, vector as a table column, variable types as vector classes, selection (subsetting) of elements, rows and columns in base R

3. ggplot2 graphics library, mapping variables to aesthetic scales, types of graphs and scales (geom_, scale_ functions)

4. Data wrangling - dplyr library: selection and manipulation of rows (filter, slice, arrange) and columns (select, rename, mutate, if_else, case_when)

5. Data wrangling - groups (group_by, across, rowwise), aggregation (count, summarize)

6. Table joins (SQL-like)

7. "tidy data" concept, conversion between "wider" and "longer" table format for use with dplyr and ggplot2, tidyr (pivot_longer, pivot_wider, unite and separate)

8. Operations on strings, regular expressions incl. "look-around"

9. The concept of iteration in R: vectorization, loop, apply family functions and map family functions from the purrr library in common user situations

10. Text mining with the help of automatic syntactic annotation, interaction with the API of the UDPipe syntactic parser

Favorite datasets: gapminder (https://www.gapminder.org/data/), built-in datasets iris, diamonds, corpora

Poslední úprava: Cinková Silvie, Mgr., Ph.D. (22.05.2023)

Vstupní požadavky

čeština

angličtina, základy práce s počítačem, frustrační tolerance a disciplína k pravidelné domácí přípravě. Programovat umět nemusíte.

Poslední úprava: Kuboň Vladislav, doc. RNDr., Ph.D. (05.06.2018)

angličtina

English, basic computer literacy, frustration tolerance and discipline for regular homeworks. No programming skills required.

Poslední úprava: Cinková Silvie, Mgr., Ph.D. (23.05.2025)