Vyučujúci

Zaradený v študijných programoch

Výsledky vzdelávania

Absolvovanie predmetu predpokladá rozvoj IT zručností v oblasti programovacích jazykov R a Python v kontexte ďalšieho štúdia dátovej vedy.
Vedomosti
Študenti získajú prehľad o programovacích jazykov v oblasti dátovej vedy a naučia sa pracovať s programovacími jazykmi R a Python. Získajú základný prehľad o využití týchto programovacích jazykoch v oblasti data science a to najmä v oblasti dátovej vizualizácie.
Kompetentnosti
Na základe uvedených vedomostí dokážu študenti vybrať vhodný programovací jazyk podľa jeho parametrov a realizovať adekvátne štatistické analýzy, resp. analýzy spracovania údajov v týchto programovacích jazykoch.
Zručnosti
V rámci vzdelávacieho procesu nadobudnú také zručnosti, ktoré umožnia študentom načítať, spracovať a analyzovať údaje potrebné pre ďalšie data science analýzy, prípadne realizovať také operácie a vytvárať reporty, ktoré môžu pomôcť pri manažérskom rozhodovaní.

Stručná osnova predmetu

1. Úvod do R. RStudio. Dátové typy a dátové štruktúry v jazyku R. Vektory, matice, zoznam, pole, tabuľka údajov.
2. Manipulácia s objektmi v R. Hromadné výpočty. Ďalšie objekty v R. Tvorba vlastných funkcií.
3. Podmienené príkazy. Cykly.
4. Základy grafiky v R. Ďalšie typy grafov v R. Práca s farbami.
5. Načítanie a ukladanie údajov. R knižnice (packages).
6. Úvod do štatistických analýz v R. Generovanie pseudonáhodných čísiel.
7. Data Science v jazyku R. Dátová vizualizácia. Knižnica ggplot2.
8. R Shiny. RMarkdown.
9. Úvod do jazyka Python. Prostredie Jupyter Lab. Dátové typy a dátové štruktúry jazyka Python.
10. Podmienené príkazy. Cykly. Tvorba vlastných funkcií. Knižnice (moduly) v jazyku Python (Numpy, Scipy, Pandas, ...).
11. Lineárna algebra. Generovanie pseudonáhodných čísiel. Načítanie údajov. Úvod do data science v jazyku Python.
12. Grafika v jazyku Python. Dátová vizualizácia.
13. Markdown. Rozhranie Dash.

Odporúčaná literatúra

1. DE LAFAYE MICHEAUX, P. – DROUILHET, R. – LIQUET, B. The R Software. Fundamentals of Programming and Statistical Analysis. New York : Springer, 2013.
2. ALBERT, J. – RIZZO, M. R by Example. New York : Springer, 2012.
3. LANTZ, B. Machine Learning with R. Second Edition. Birmingham : Packt Publishing, 2015.
4. JEKEL, C. Numerical Python: Scientific Computing and Data Science Applications with Numpy, SciPy and Matplotlib. In Siam Review, vol. 62, 2, 2020.
5. PECINOVSKÝ, R. Python. Kompletní příručka jazyka pro verzi 3.8. Praha: Grada Publishing, 2020.
6. PILGRIM, M. Python 3. Ponořme se do Python(u) 3. Praha: CZ.NIC, z. s. p. o., 2011.
7. UNPINGCO, J. Python for Probability, Statistics, and Machine Learning. Second Edition. Cham: Springer Nature Switzerland AG, 2016.
8. PÁLEŠ, M. Jazyk R pre aktuárov. Bratislava : Vydavateľstvo Letra Edu, 2019.
9. WICKHAM, H. – GROLEMUND, G. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. OREILLY, 2017.
10. CHANG, W. R Graphics Cookbook: Practical Recipes for Visualizing Data. OREILLY, 2017.
11. SCAVETTA, R. J. – ANGELOV, B. Python and R for the Modern Data Scientist: The Best of Both Worlds. OREILLY, 2021.

Podmienky na absolvovanie predmetu

40 % semestrálna práca – písomný test
60 % písomná skúška
Dosiahnutie aspoň 51 % bodov z maximálneho počtu bodov pridelených na skúšku.

Pracovné zaťaženie študenta

70 hodín cvičení,
70 hodín príprava na semináre,
42 hodín samostatného štúdia v rámci prípravy na skúšku,

Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu

slovenský

Dátum schválenia: 15.05.2025

Dátum poslednej zmeny: 27.08.2025

Dátum schválenia: 15.05.2025

Dátum poslednej zmeny: 27.08.2025