Uniwersytet Jagielloński w Krakowie - Punkt LogowaniaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Python Fundamentals for Data Engineering

Informacje ogólne

Kod przedmiotu: WZ-ER.040 Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Python Fundamentals for Data Engineering
Jednostka: Wydział Zarządzania i Komunikacji Społecznej
Grupy:
Punkty ECTS i inne: 5.00 (zmienne w czasie)
zobacz reguły punktacji
Język prowadzenia: angielski

Zajęcia w cyklu "Semestr letni 2019/2020" (zakończony)

Okres: 2020-02-24 - 2020-06-14
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Ćwiczenia, 30 godzin więcej informacji
Koordynatorzy: Tomasz Służalec
Prowadzący grup: Tomasz Służalec
Strona przedmiotu: https://pegaz.uj.edu.pl/course/view.php?id=426355
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin lub zaliczenie
Cele kształcenia:

Familiarizing participants with cutting-edge data engineering

tools. Extending Python programming skills for exploration of

different data types and their analysis. Preparing and

processing raw data to scientific research and their analysis.

Teaching how to apply mathematical and machine learning

methods for: data analysis, prediction or multi-classification.

Wymagania wstępne:

Preliminary requirements:

● basic programming skills in any language

● basic knowledge in mathematical analysis

Additional requirements:

● Python language (with a emphasis on packages:

pandas, keras ect.)

● some knowledge of common algorithms and data

structures

● applied statistics

● basic knowledge of artificial neural nets

Forma i warunki zaliczenia:

Weekly problem sets, quizes, project and final test are

essential items for passing the course.

Necessary condition to be allowed to write the final test are

both: positive mark from group project and completion of half

the weekly problem sets.


New 2020

exam on Pegaz Platform

Metody sprawdzania i kryteria oceny efektów kształcenia uzyskanych przez studentów:

● Weekly problem sets

● Final project

● Final test

● Quizes

Metody dydaktyczne:

● Lecture in a form of interactive presentation

● In class solving problems

● Group project

● Quizes

● Nonobligatory consultations

Bilans punktów ECTS:

Participation in course lectures: 30h

Work with problem sets in home: 45h

Preparing for quizes: 15h

Preparation of final project: 30h

Preparing to final test: 30h

Wymiar, zasady i forma odbywania praktyk:

Course in a form of lecture-workshop in a class with projector,

blackboard, and PCs for all participants (or personal laptop).

Pełny opis:

Content of a module:

● Pros and cons of different programming languages in

case of data engineering

● Setting up a virtual environments for computations

● Overview of core scientific computing packages:

Numpy, Keras, Scipy, FastAI, Matplotlib, etc.

● Interactive code in Jupyter

● Managing common formats: .csv, .txt, .xls, etc.

● Text and word processing using Python

● Data structures and their manipulation in pandas

package

● Data operations: data munging: aggregating,

reshaping, sanitizing, cleaning, outlier detection, etc.

● Plots and data visualization using Python

● Basic statistical inference

● Advanced data analysis: time serie, Bayesian

modeling, geospatial analysis, ect. .

● Introduction to "scikit-learn" and transformation

● Classification and feature selection

● Regression, data decomposition and clustering

● Importance of GPU computation for science

● Machine learning packages in Python: Keras, FastAI,

etc.

Literatura:

● Joel Grus, "Data Science from Scratch", O’Reilly

Media Inc, 2015

● Wes McKinney, "Python for Data Analysis: Data

Wrangling with Pandas, NumPy, and IPython", II

Edition, O'Reilly Media Inc, 2017

● Andreas C. Müller, Sarah Guido, "Introduction to

Machine Learning with Python: A Guide for Data"

O'Reilly Media Inc, 2016

Uwagi:

Course in english language only.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Jagielloński w Krakowie.