Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
Webová stránka:
https://moodle.fel.cvut.cz/courses/B6B16ZDA
Anotace:
Předmět je zaměřený na úvod do datových analýz a vizualizace dat (informací). V první části jsou definovány klíčové pojmy a postupy, spojené s datovou analýzou. Na příkladech je demonstrováno, jakým způsobem se datová analýza provádí, jak mohou vypadat výstupy a interpretace analýz. Včetně možné manipulace a nevhodného použití. Následně je diskutována existence různých typů dat, jejich dostupnost a způsob získávání. V další části jsou prezentovány a prakticky ověřeny tři kategorie nástrojů a s nimi spojených výstupů. První dvě jsou zaměřeny na jednoduché neprogramovací (typicky MS Excel) a programovací nástroje (typicky Python a odpovídající knihovny). Pomocí těchto nástrojů a vybraných statistických metod jsou provedeny jednodušší analýzy, včetně interpretace výstupů Pro srovnání jsou prezentovány i vybrané pokročilejší metody datových analýz, jako například shlukování dat. Poslední část výuky je věnována třetí kategorii nástrojů a také způsobu analýzy, založené na vizualizaci. Přestože vizualizaci umožňují i předchozí dvě kategorie nástrojů, je cílem této části si nejen vyzkoušet, ale také uvědomit, jakým způsobem může být vizualizace pro datovou analýzu přínosná a důležitá. Pro účely vizualizace a praktickou část výuky je využit komplexní nástroj Power BI.
Cíle studia:
Absolvováním předmětu získá absolvent úvodní znalosti jednotlivých částí cyklu zpracování dat, který odpovídá průmyslovému standardu pro data mining CRISP-DM (Cross-industry standard process for data mining). Tyto základní znalosti jsou dále rozvíjeny v návazném předmětu B6B16MPR, případně návazných magisterských oborech (Datové vědy, Počítačová grafika, Elektroenergetika, ...).
Osnovy přednášek:
| 1. | | Definice pojmů a principů datových analýz, datová analýza vs. datová věda, způsoby zpracování dat, role datové analýzy v oblasti informačních technologií, data-driven rozhodování. |
| 2. | | Rozbor vybraných praktických příkladů datových analýz a jejich interpretace – správné vs. nesprávné provedení analýzy, zkreslování informací, hledání užitečných informací, specifikace požadavků na datovou analýzu. |
| 3. | | Přístupy k provádění datových analýz, obecné metodiky: CRISP-DM, TDSP, specifikace projektu datové analýzy, způsoby získávání dat, datová kvalita. |
| 4. | | Základní statistické nástroje a postupy, vhodné pro provádění prvotních datových analýz a hledání základních charakteristik datové množiny. |
| 5. | | Pokročilejší statistické nástroje (postupy), vhodné pro hledání závislostí v datech a hodnocení významnosti vstupních parametrů. |
| 6. | | Nástroje pro provádění datových analýz - programovací/neprogramovací, principy práce s těmito nástroji. |
| 7. | | Datové analýzy v prostředí jazyka Python, rozšiřující knihovny pro provádění datových analýz, pokročilejší techniky datových analýz. |
| 8. | | Datové analýzy v praxi – prezentace vybrané praktické případové studie, analýza prvotního zadání, způsob implementace, praktické přínosy a ukázkové výstupy |
| 9. | | Pokročilé metody datových analýz, úvod do "Data Science", big data, machine learning. |
| 10. | | Vizualizace dat, úvod do vizualizace, historie, využití vizualizace pro účely datových analýz, nástroje pro vizualizace – podpora v rámci jazyka Python, kancelářské nástroje, pokročilé nástroje (Power BI). |
| 11. | | Vybrané způsoby vizualizace dat - typy grafů a jejich využití pro datovou analýzu. |
| 12. | | Pokročilé způsoby vizualizace dat – datové mapy, infografika a dashboardy. |
| 13. | | Storytelling, prezentace výstupů datových analýz, založených na příběhu. |
| 14. | | Porovnání různých způsobů a přístupů k provádění datových analýz, role nejistoty v datových analýzách, vliv nejistoty na výslednou analýzu. |
Osnovy cvičení:
| 1. | | Úvod do předmětu, definice pojmů a principů pro zpracování dat, existující a dostupné zdroje dat |
| 2. | | Základní postupy při provádění datových analýz, ad-hoc analýzy |
| 3. | | Úvod do datových analýz v prostředí MS Excel |
| 4. | | Cvičení na datové analýzy v Excelu |
| 5. | | Prezentace výstupů datové analýzy, provedené v Excelu |
| 6. | | Úvody do datových analazých v prostředí Python, používání knihoven |
| 7. | | Cvičení datových analýz v prostředí Pythonu |
| 8. | | Cvičení na datové analýzy v prostředí Python |
| 9. | | Prezentace datových analýz v prostředí Pythonu |
| 10. | | Základy vizualizace při analýze dat |
| 11. | | Seznámení se s nástrojem Power BI pro vizualizaci dat |
| 12. | | Procvičování vybraných způsobů vizualizace dat v nástroji Power BI |
| 13. | | Prezentace výstupů 3. domácího úkolu |
| 14. | | Uzavření semestru, rezerva |
Literatura:
Tamara Munzner , Visualization Analysis and Design, A K Peters/CRC Press, 2014
Hector Cuesta, Analýza dat v praxi, COMPUTER PRESS, 2015
Wes McKinney, Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, O'Reilly Media, 2017
Požadavky:
Studenti během výuky zpracovávají průběžně menší samostatné úkoly a jeden větší semestrální projekt, v rámci kterých si ověří schopnost provést vybrané postupy analýzy dat. Všechny úkoly jsou uzavřeny prezentací dosažených výstupů. Celý předmět je zakončený zkouškou, v rámci které jsou ověřeny obecné znalosti základů datových analýz a na vybraném příkladu schopnost jejich praktické aplikace studenty.
S ohledem na využívání jazyka Python a SQL databáze, jsou očekávány alespoň základní znalosti těchto prostředků. Na stránkách předmětu, v případě úplné nebo malé znalosti, lze nalézt odkazy na doporučené zdroje, obsahující nezbytné znalosti. Prostudováním těchto doplňkových materiálů lze požadované znalosti získat.
Předmět je zahrnut do těchto studijních plánů:
| Stránka vytvořena 12.4.2026 12:52:08, semestry: Z,L/2028-9, Z,L/2025-6, Z,L/2026-7, L/2029-30, Z,L/2027-8, připomínky k informační náplni zasílejte správci studijních plánů |
Návrh a realizace: I. Halaška (K336), J. Novák (K336) |