Politechnika WarszawskaWydział Matematyki i Nauk Informacyjnych |
Nazwa przedmiotu |
Przetwarzanie danych ustrukturyzowanych |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Kod przedmiotu |
1120-DS000-ISP-0124 |
Prowadzący |
dr hab. inż. Marek Gągolewski, prof. PW |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ECTS |
5 |
Koordynator przedmiotu |
dr hab. inż. Marek Gągolewski, prof. PW |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Rok akademicki |
2020-2021 |
Jednostka |
Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Status przedmiotu |
obowiązkowy |
Rodzaj studiów |
inż. |
Tryb studiów |
stacjonarne |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Poziom |
podstawowy |
Kierunek studiów |
Matematyka |
Specjalność |
brak |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Język wykładowy |
polski |
Semestr (stopień 1) |
2 |
Semestr (stopień 2) |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sposób zaliczenia |
zaliczenie |
Liczba godzin w semestrze |
75 |
Rodzaj zajęć |
Wyk. |
Ćw. |
Lab. |
Proj. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Godzin w tyg. |
2 |
0 |
2 |
1 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Standardy |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Wymagania wstępne |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Podstawy programowania i przetwarzania danych Algebra liniowa z geometrią analityczną
Celem przedmiotu jest przegląd najczęściej stosowanych w praktyce metod przetwarzania danych i przygotowywania ich do analizy. Szczególny nacisk położony jest na omówienie i ćwiczenie technik filtrowania, przekształcania i agregacji zmiennych lub całych zbiorów danych, także w podgrupach. Uczestnicy kursu poznają najbardziej podstawowe metody czyszczenia danych, ich wizualizacji i podsumowywania, a także imputacji braków danych. Ponadto nabywają umiejętność przetwarzania danych w postaci tekstowej, m.in. z różnego rodzaju API i innych zasobów internetowych. Do osiągnięcia powyższych celów używany jest przede wszystkim język R wraz z bogatym zbiorem pakietów dla tego środowiska. Szczególnie jednak eksponowane są techniki i funkcje obecne w innych środowiskach, m.in. Python 3.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Zawartość przedmiotu |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
1. Podstawowe atomowe typy danych w R: Wektory i NULL 2. Zwektoryzowane operacje na wektorach atomowych. Przekształcanie i filtrowanie zmiennych. Agregacja zmiennych 3. Przetwarzanie danych tekstowych. Wyrażenia regularne 4. Listy. Funkcje 5. Instrukcja sterująca i pętle 6. Atrybuty obiektów. Programowanie obiektowe w stylu S3 7. Typy złożone: obiekty reprezentujące czas, czynniki, szeregi czasowe, macierze i ramki danych oraz podstawowe operacje na nich 8. Niestandardowa ewaluacja. Formuły 9. Filtrowanie, przekształcanie i czyszczenie ramek danych. Imputacja braków danych 10. Agregacja i inne operacje na danych w podgrupach. Scalanie ramek danych 11. Przetwarzanie danych tekstowych. Wyrażenia regularne 12. Operacje na plikach i katalogach. Pobieranie danych z API. Wydobywanie informacji ze stron WWW 13. Tworzenie wykresów 14. Python 3: numpy, scipy, pandas
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Efekty kształcenia |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Zasady oceniania |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Na zaliczenie składają się oceny zdobyte za rozwiązania 3-5 prac domowych oraz zadań projektowych. Do zdobycia maks. 100 p. Ocena końcowa wynika z sumy punktów; ≤50 p. - 2,0; (50,60] – 3,0; (60,70] – 3,5; (70,80] – 4,0; (80,90] – 4,5; >90 – 5,0. Szczegółowy regulamin zaliczenia podawany jest na początku semestru.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Literatura i oprogramowanie |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
1. Gągolewski M., Programowanie w języku R. Analiza danych, obliczenia, symulacje, Wydawnictwo Naukowe PWN, wydanie II, 2016 2. Wickham H., Grolemund G., R for Data Science, O'Reilly, 2016 3. Chambers J.M., Programming with Data, Springer, 1998 4. Chambers J.M., Software for Data Analysis. Programming with R, Springer, 2008 5. Matloff N.S., The Art of R Programming: A Tour of Statistical Software Design, No Starch Press, 2011 6. Venables W.N., Ripley B.D., S Programming, Springer, 2000 7. Wickham H., Advanced R, Chapmah & Hall/CRC, 2014 8. Gagolewski M., Bartoszuk M., Cena A., Przetwarzanie i analiza danych w języku Python, Wydawnictwo Naukowe PWN, Warszawa, 2016 9. McKinney W., Python for Data Analysis. Data Wrangling with Pandas, NumPy, and IPython, O'Reilly Media, 2012 10. Richert W., Coelho L.P., Building Machine Learning Systems with Python, Packt Publishing, 2013
|
[data]
[podpis]
Projekt jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego