Uvod u znanost o podacima

Prikazani su podaci za akademsku godinu: 2023./2024.

Predavanja

Auditorne vježbe

Laboratorijske vježbe

Opis predmeta

Ovaj predmet upoznaje studente s pet ključnih aspekata istraživanja temeljenog na podatcima dobivenih opažanjem: (i) prilagođavanje formata podataka, čišćenja podataka i uzorkovanje u cilju dobivanja odgovarajućeg skupa podataka, (ii) upravljanje podacima radi brzog i pouzdanog pristupa podacima, (iii) eksploratorna analiza podataka u cilju generiranja hipoteze i intuicije, (iv) predviđanje temeljeno na statističkim metodama kao što su regresija i klasifikacija, (v) komuniciranje rezultata kroz vizualizaciju, opis i sažetu interpretaciju rezultata.

Studijski programi

Sveučilišni diplomski
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
(3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmet profila (1. semestar) (3. semestar)
Izborni predmeti (1. semestar)
Izborni predmet profila (1. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Jezgreni predmeti profila (1. semestar)

Ishodi učenja

  1. Koristiti Python i druge alate za prikupljanje, čišćenje i procesiranje podataka
  2. Koristiti tehnike upravljanja podataka za spremanje podataka lokalno i u oblak
  3. Koristiti statističke metode i vizualizaciju za brzo istraživanje podataka
  4. Primijeniti statistiku i računalnu analizu za predviđanje temeljeno na podacima
  5. Opisati rezultate analize podataka koristeći deskriptivnu statistiku i vizualizacije
  6. Koristiti grozd računala i infrastrukturu u oblaku za obavljanje podatkovno-intenzivnih računanja

Oblici nastave

Predavanja

Predavanja - teorija

Auditorne vježbe

Primjeri u jupyter notebooku

Laboratorij

Projektno organiziran - studenti rade na projektu iz znanosti o podacima

Način ocjenjivanja

Kontinuirana nastava Ispitni rok
Vrsta provjere Prag Udio u ocjeni Prag Udio u ocjeni
Seminar/Projekt 25 % 40 % 25 % 40 %
Završni ispit: Pismeni 50 % 60 %
Napomena / komentar

završni ispit, analiza podataka na računalu

Tjedni plan nastave

  1. Administracija predmeta. Pregled područja znanosti o podacima. Potporne tehnologije za znanost o podacima. Auditorne vježbe: uvod u Pandas.
  2. Rukovanje podacima dobivenih opažanjem: prikupljanje podataka, modeli podataka, česti problemi skupova podataka, preoblikovanje podataka, čišćenje podataka. Auditorne vježbe: rukovanje podacima i inženjerstvo značajki u Pythonu. Projekt: proučavanje predloženih međudisciplinarnih znanstvenih članaka.
  3. Vizualizacija podataka: različiti grafički prikazi skupa podataka, najbolja praksa primjene vizualizacije, vizualizacija za posebne namjene, alati za vizualizaciju. Auditorne vježbe: vizualizacija podataka u Pythonu. Projekt: proučavanje znanstvenih članaka, odabir članka za replikaciju rezultata.
  4. Prvi pogled na podatke: deskriptivna i inferencijalna statistika. Auditorne vježbe: deskriptivna statistika u Pythonu. Projekt: konzultacije s asistentom oko odabranog znanstvenog članka.
  5. Označavanje podataka i metrike. Auditorne vježbe: označavanje podataka i metrike. Projekt: rad na replikaciji rezultata.
  6. Prikupljanje podataka istraživanjem: vrste istraživanja i metode prikupljanja podataka. Projekt: rad na replikaciji rezultata.
  7. Primjena linearne regresije u deskriptivnoj analizi podataka. Transformacije podataka. Pretpostavke linearne regresije. Auditorne vježbe: uvod u regresijsku analizu. Projekt: rad na replikaciji rezultata.
  8. --
  9. Primijenjeno nadzirano strojno učenje: klasifikacija i predviđanje. Auditorne vježbe: primijenjeno nadzirano strojno učenje u Pythonu. Projekt: završetak rada na replikaciji rezultata.
  10. Primijenjeno nenadzirano strojno učenje: grupiranje. Auditorne vježbe: primijenjeno nenadzirano strojno učenje u Pythonu. Projekt: formiranje tima za poboljšanje rezultata znanstvenog članka, konzultacije s asistentom.
  11. Uvod u duboko učenje (neuronske mreže, funkcija gubitka, invarijanca i ekvivarijanca, konvolucijske mreže, povratne mreže). Auditorne vježbe: duboko učenje u Pythonu. Projekt: timski rad na poboljšanju rezultata.
  12. Rad s tekstom (tekstni podaci, vektori značajki, vreća riječi, tokenizacija, stop riječi, n-grami, TF/IDF, pozornost). Auditorne vježbe: rad s tekstnim podacima u Pythonu. Projekt: timski rad na poboljšanju rezultata.
  13. Rad s grafovima i mrežama (čvorovi i veze, usmjereni i neusmjereni grafovi, mjere centralnosti, konvolucijske mreže na grafovima). Auditorne vježbe: rad s grafovima u Pythonu. Projekt: timski rad na poboljšanju rezultata.
  14. Prezentacije projekata
  15. Završni ispit.

Literatura

Jacob T. Vanderplas, Jake VanderPlas (2016.), Python Data Science Handbook, O'Reilly Media
Matt Harrison, Theodore Petrou (2020.), Pandas 1.x Cookbook, Packt Publishing Ltd
Alice Zheng, Amanda Casari (2018.), Feature Engineering for Machine Learning, "O'Reilly Media, Inc."
François Chollet (2021.), Deep Learning with Python, Second Edition, Simon and Schuster

Za studente

Izvedba

ID 240719
  Zimski semestar
5 ECTS
R2 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
15 Auditorne vježbe
15 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja

Ocjenjivanje

88 izvrstan
75 vrlo dobar
63 dobar
50 dovoljan