Skip to content

Introduction to exploratory data analysis course for Mathematics and data analysis studies in Spring 2021/2022

Notifications You must be signed in to change notification settings

mini-pw/2022L-ExploratoryDataAnalysis

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Wstęp do eksploracji danych

@kozaka93, @woznicak

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 01-03 Wstęp, eksploracja danych, narzędzia do wizualizacji, zasady zaliczenia, GitHub Powtórzenie R - proton, jak działa GitHub?
2 08-03 Projekt I - motywacja, opis, tematyka R: wstęp do dplyr, tidyr
3 15-03 Gramatyka języka wizualizacji R: zaawansowane operacje na ramkach danych P1 (1p)
Spotkanie projektowe 1
4 22-03 Sposoby badania rozkładu jednej zmiennej, statystyki opisowe. Kolory i skale. R: wstęp i gramatyka ggplot2 PD1 (5p)
5 29-03 Nie popełniaj tych błędów! R: modyfikacje wykresów, stylów w ggplot2
6 05-04 Historia grafiki.
Inne rodzaje wykresów.
Spotkanie projektowe 2 P1 (2p)
PD2 (5p)
7 12-04 Jak przygotować dobry raport? Inkscape i inne programy graficzne. R: zaawansowany ggplot2 oraz rozszerzenie: patchwork, ggstatsplot, map, ggrepel P1 (2p)
Spotkanie projektowe 3
8 26-04 Oddanie projektu I P1 (19)
9 04-05 Projekt II - motywacja, opis, tematyka R: plotly - wizualizacje interaktywne P2 (1p)
PD3 (10p)
Spotkanie projektowe 1
10 10-05 Wizualizacje interaktywne, dashboards R: generowanie raportów z analizą danych PD4 (5p)
11 17-05 Spotkanie projektowe 2 R: Shiny - część 1 P2 (2p)
12 24-05 Kilka słów o prezentowaniu wyników.
The International Business Communication Standards.
R: Shiny - część 2 PD5 (10p)
13 31-05 Spotkanie projektowe 3 Python: wstęp do pandas, numpy P2 (2p)
14 07-06 Oddanie projektu II Python: wykresy w matplotlib, seaborn P2 (15p)
15 14-06 Analiza EDA przed modelowaniem.
Znani w świecie wizualizacji, wizualizacje modeli, co dalej?
Python: Przygotowanie EDA przed modelowaniem PD6 (5p)

Schemat oceniania (suma 90p):

  • projekt I (24p):

    • 5p (1 x 1p, 2 x 2p) uzyskuje się za przedstawienie postępu prac w danym tygodniu
    • 5p uzyskuje się za przygotowanie estetycznych wykresów (dwa lub więcej)
    • 5p uzyskuje się, jeżeli przygotowane wykresy mają wszystkie niezbędne elementy do poprawnego odczytania danych (tytuł, podtytuł, adnotacje na osiach, legenda, jednostki, opis jak czytać wykres)
    • 5p uzyskuje się za estetykę i pomysłowość aranżacji wykresów i opisów w jedną całość
    • 4p uzyskuje się za prezentację projektu
  • projekt II (20p):

    • 5p (1 x 1p, 2 x 2p) uzyskuje się za przedstawienie postępu prac w danym tygodniu
    • 4p uzyskuje się za wybór tematyki, która zainteresuje szerokie grono odbiorców
    • 3p uzyskuje się za znalezienie danych i ich przetworzenie
    • 3p uzyskuje się za stworzenie raportu z komentarzami przeprowadzającymi odbiorców przez znalizowane zjawisko
    • 3p uzyskuje się za przygotowanie estetycznych tabel i wykresów (w tym co najmniej 2 wykresy interaktywne), z odpowiednimi opisami
    • 2p uzyskuje się za prezentację projektu
  • 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 2021/2022

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published