Data Science

NDBI048 - ZS 2023

Obecné informace:

Anotace (zdroj: SIS)
Čas a místo přednášky: středa 9:00 S4
Čas a místo cvičení: středa 10:40 S4 (Noste si, prosím, vlastní počítač!)
Přednáší: Irena Holubová a zástupci firmy Profinit (viz níže)
Podrobnosti:
- Předpokládají se základní znalosti (ale ne nutně úspěšné absolvování zkoušky) z následujících předmětů:
  - Databázové systémy (NDBI025)
  - Pravděpodobnost a statistika I (NMAI059)
  a základní znalost programování v Pythonu.
- Výuka bude probíhat v češtině, slajdy budou k dispozici v angličtině.
- Konzultace budou probíhat na základě individuální dohody.
- V rámci cvičení budeme využívat následující nástroje:
  - Desktopového klienta Git (vhodný je např. Git for Windows)
  - Aplikaci pro SSH/FTP přístup (vhodný je např. WinSCP)
  - Putty
  - Anaconda Individual Edtion
  - Jupyter Notebook
- Zápočet:
  - Na cvičeních bude aktuálně probírané téma z přednášky prakticky předvedeno na “školní” datové sadě.
  - Každý student si na začátku semestru zvolí vlastní datovou sadu (z nabídky uvedené v Datasets Overview/Datasets Instructions nebo vlastní, kterou si nechá schválit). Na tuto sadu bude postupně aplikovat úkoly specifikované na cvičeních, které budou odpovídat probíraným tématům.
  - V polovině a na konci semestru každý student odevzdá report popisující výsledky.
    - První report (co víme o datech) - průběžné hodnocené kvality: 0 až 25 bodů (za každý den zpoždění -1 bod)
    - Druhý report (co jsme z dat zjistili) - finální hodnocení kvality: 0 až 25 (za každý den zpoždění -1 bod)
  - Struktura reportu
  - Minimum pro získání zápočtu: 35 bodů
  - Evidence bodů
- Zkouška:
  - Proběhne formou písemného testu (cca 10 teoretických i praktických otázek, průřez celým semestrem), z něhož je možné získat až 50 bodů.
  - K získaným bodům z testu budou přičteny nadlimitní body ze cvičení.
  - Převod bodů na známku: > 25 bodů = známka 3, > 30 bodů = známka 2, > 40 bodů = známka 1

Průběh přednášek a cvičení:

4.10. 2022 - Organizace předmětu, požadavky na zápočet/zkoušku. Co je to data science, typické případy použití, přehled souvisejících metod a technologií, mapa navazujících přednášek. Fáze data science projektu, metodika CRISP-DM.
- Přednáší: Irena Holubová
- Podklady: Introduction, CRISP-DM Methodology
- Cvičení: Představení nabídky datových sad
  - Cvičí: Jan Hučín
  - Podklady: Datasets Overview, Datasets Instructions, Datasets (GitLab)
11.10. 2023 - Technologie pro data science I: Přehled a srovnání technologií.
- Přednáší: Dominik Matula
- Podklady: Technologies I.
- Cvičení: Technologický stack (ukázky na školní datové sadě)
  - Cvičí: Dominik Matula
  - Podklady: Pandas Tutorial, Solutions, Hint
18.10. 2023 - Tvorba srozumitelného reportu
- Přednáší: Dominik Matula
- Podklady: Reporting
- Cvičení: Ukázky dobrých a špatných reportů, samostatná práce na vlastním reportu, otázky
  - Cvičí: Dominik Matula
  - Podklady: Reports
18.10. 2023 - volba vlastního datasetu (Pošlete e-mailem Vaši volbu, popř. alternativu. Aktuální stav viz Evidence bodů.)
25.10. 2023 - Business understanding, data understanding.
- Přednáší: Petr Paščenko
- Podklady: Business and Data Understanding
- Cvičení: Opakování základních statistických pojmů
  - Cvičí: Jan Hučín
  - Podklady: EDA Statistical Inference, Data Understanding, Solutions
1.11. 2023 - Metody explorace a vizualizace dat.
- Přednáší: Irena Holubová
- Podklady: Visualization Techniques
- Cvičení: Seznámení s daty, data understanding, explorace dat
  - Cvičí: Jan Hučín
  - Podklady: Visualisation Examples, Visualisation Tasks, Solutions
8.11. 2023 - Příprava dat (čištění, transformace, extrakce příznaků, ...)
- Přednáší: Irena Holubová
- Podklady: Data Preparation
- Cvičení: Transformace, extrakce příznaků
  - Cvičí: Jan Hučín
  - Podklady: Data Preparation, Solutions
15.11. 2023 - Modelování I: Základní statistické modely a vyhodnocování výkonnosti
- Přednáší: Jan Hučín
- Podklady: Modeling I
- Cvičení: Aplikace přednesených metod na školní dataset, optimalizace modelu
  - Cvičí: Jan Hučín
  - Podklady: Linear modelling in Python – linear and logistic regression, Modelling I – fitting linear regression on Titanic data, Modelling I – fitting logistic regression on HomeCredit data
15.11. 2023 - odevzdání prvního reportu (emailem)
22.11. 2023 - Modelování II
- Přednáší: Jan Hučín
- Podklady: Modeling II
- Cvičení: Aplikace přednesených metod na školní dataset
  - Cvičí: Jan Hučín
  - Podklady: Naive Bayes classifier, kNN
29.11. 2023 - Racionalistické konsekvence
- Přednáší: Petr Paščenko
- Podklady: Modeling III
- Cvičení: Klasifikace textu bayesovským modelem - ukázka a vlastní rozšíření
  - Cvičí: Petr Paščenko
  - Podklady: Naive Bayes classifier II.
6.12. 2023 - Technologie pro data science II: MLOps verzování, dokumentace
- Přednáší: Tomáš Duda
- Podklady: MLOps
- Cvičení: MLFlow verzování
  - Cvičí: Tomáš Duda
  - Podklady: MLOps
13.12. 2023 - Big Data science, MapReduce/Apache Spark a data science
- Přednáší: Irena Holubová
- Podklady: Big Data Science
- Cvičení: Využití MapReduce nad vlastní datovou sadou
  - Cvičí: Irena Holubová
  - Podklady MapReduce: MapReduce
  - Podklady Spark: Spark
20.12. 2023 - Úvod do moderních databázových systémů
- Přednáší: Irena Holubová
- Podklady: Modern Database Systems
- Cvičení: Připojení dat v jiném formátu k vlastní datové sadě, rozšíření o nové informace s využitím moderních databázových systémů
  - Cvičí: Irena Holubová
  - Podklady: Multi-model databases
3.1. 2024 - Limity statistických metod, zkreslení.
- Přednáší: Petr Paščenko
- Podklady: Limits of Statistical Method
- Cvičení: není (možná dokončení přednášky)
10.1. 2024 - Manažerský pohled na data science projekt. Projektový seminář.
- Přednáší: Petr Paščenko
- Podklady: Ukázky reportů
- Cvičení: není (možná dokončení přednášky)
10.1. 2024 - odevzdání druhého reportu (emailem)
25.1. 2024 - ohodnocení reportů
1.2. 2024 - (nepovinná) možnost odevzdání opravené verze reportu