Skip to content

Introduction to exploratory data analysis course for Mathematics and data analysis studies in Spring 2022/2023

Notifications You must be signed in to change notification settings

mini-pw/2023L-ExploratoryDataAnalysis

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Wstęp do eksploracji danych

Semestr letni 2022/23 @kozaka93 @HubertR21 @sobieskibj

Materiały z zajęć Wstęp do eksploracji danych (MiNI, 2 rok MAD)

Wstęp do eksploracji danych składa się z:

  • wykładu
  • zajęć laboratoryjnych

Terminy i tematy zajęć

# DATA WYKŁAD LABORATORIUM SKŁADOWA
1 21-02 Wstęp, eksploracja danych, narzędzia, zasady zaliczenia
Projekt 1
22-02 Powtórzenie R. Jak działa GitHub?
2 28-02 Gramatyka języka wizualizacji P1 (1p)
Spotkanie projektowe I
01-03 R: dplyr, tidyr, forcats
3 07-03 - HW1 (5p)
08-03 R: ggplot2 wstęp i gramatyka
4 14-03 Nie popełniaj tych błędów!
Kolory i skale
15-03 R: ggplot2 - modyfikacje wykresów, stylów w ggplot2
5 21-03 Sposoby badania rozkładu jednej zmiennej (ilościowej i jakościowej)
Sposoby badania rozkładu dwóch i więcej zmiennych
HW2 (5p)
P1 (2p)
Spotkanie projektowe II
22-03 Spotkanie projektowe II
R: ggplot2 - zaawansowany oraz rozszerzenia: patchwork, ggrepel
6 28-03 Mapy - czy to takie skomplikowane? HW3 (10p)
Dashboards
29-03 R: maps
7 04-04 Spotkanie projektowe III P1 (2p)
HW4 (5p)
12-04 R: plotly - wizualizacje interaktywne
8 11-04 Oddanie P1 P1 (19p)
19-04 R: generowanie raportów z analizą danych
9 18-04 Raportowanie
Projekt 2
26-04 R: Shiny - część 1
10 25-04 The International Business Communication Standards P2 (1p)
HW5 (10p)
History of Statistical Graphics
10-05 R: Shiny - część 2
11 09-05 Spotkanie projektowe I
17-05 R: Shiny - zaawansowane
12 16-05 Spotkanie projektowe II P2 (2p)
24-05 Python: pandas, numpy
13 23-05 Analiza EDA przed modelowanie.
Znani w świecie wizualizacji, wizualizacje modeli, co dalej?
31-05 Python: matplotlib, seaborn
14 30-05 Spotkanie projektowe III P2 (2p)
HW6 (5p)
07-06 Python: plotly
15 13-06 Oddanie P2 P2 (15p)
14-06 Python: Przygotowanie EDA przed modelowaniem

Schemat oceniania (suma 90p):

  • projekt I (24p):

  • projekt II (20p):

  • prace domowe (40p = 2 x 10p + 4 x 5p)

    • za każdą pracę domową uzyskuje się do 5p lub 10p
  • wejściówki (6p = 3 x 2p)

    • niezapowiedziane, przeprowadzane na zajęciach laboratoryjnych

Z każdego projektu należy uzyskać ponad 50% możliwych punktów.

Ocena 3 3.5 4 4.5 5
Punkty (45, 54] (54, 63] (63, 72] (72, 81] (81, ∞)

About

Introduction to exploratory data analysis course for Mathematics and data analysis studies in Spring 2022/2023

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published