Uvod u znanost o podacima

Opis predmeta

Ovaj predmet upoznaje studente s pet ključnih aspekata istraživanja temeljenog na podatcima: (i) prilagođavanje formata podataka, čišćenja podataka i uzorkovanje u cilju dobivanja odgovarajućeg skupa podataka, (ii) upravljanje podacima radi brzog i pouzdanog pristupa velikoj količini podataka, (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.

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 i primjeri u jupyter notebooku

Auditorne vježbe

Primjeri u jupyter notebooku

Laboratorij

pomoć oko projekata

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.
  2. Rukovanje podacima: prikupljanje podataka, modeli podataka, česti problemi skupova podataka, preoblikovanje podataka, čišćenje podataka. Laboratorij: rukovanje podacima u Pythonu.
  3. Vizualizacija podataka: različiti grafički prikazi skupa podataka, najbolja praksa primjene vizualizacije, vizualizacija za posebne namjene, alati za vizualizaciju. Laboratorij: vizualizacija podataka u Pythonu.
  4. Testiranje hipoteze. Interval pouzdanosti. Odnos dvije varijable.
  5. Primjena linearne regresije u deskriptivnoj analizi podataka. Transformacije podataka. Pretpostavke linearne regresije.
  6. Prikupljanje podataka promatranjem.
  7. Primijenjeno nadzirano strojno učenje (klasifikacija i predviđanje).
  8. --
  9. Primijenjeno strojno učenje (prikupljanje podataka, obilježavanje, diskretizacija, značajke, normalizacija, odabir modela, mjere, procjena modela).
  10. Primijenjeno nenadzirano strojno učenje (grupiranje).
  11. Uvod u duboko učenje (neuronske mreže, funkcija gubitka, invarijanca i ekvivarijanca, konvolucijske mreže, povratne mreže)
  12. Rad s tekstom (tekstualni podaci, vektori značajki, vreća riječi, tokenizacija, stop riječi, n-grami, TF/IDF, pozornost)
  13. Rad s grafovima i mrežama (čvorovi i veze, usmjereni i neusmjereni grafovi, mjere centralnosti, konvolucijske mreže na grafovima)
  14. Prezentacije projekata
  15. Završni ispit.

Studijski programi

Sveučilišni diplomski
Izborni predmeti (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 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)

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

Auditorne vježbe

Laboratorijske vježbe

Za studente

Izvedba

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

Ocjenjivanje

88 izvrstan
75 vrlo dobar
63 dobar
50 dovoljan