INFORMAČNÝ LIST PREDMETU

Vysoká škola: Technická univerzita v Košiciach

Fakulta: Ekonomická fakulta

Pracovisko: Katedra aplikovanej matematiky a hospodárskej informatiky Ing. Dana Paľová, PhD., Ing. Martin Zoričak, PhD., Ing. Jana Zoričaková, PhD.

Kód predmetu: 35000518

Názov predmetu: Úvod do dátovej vedy a analýzy dát

Druh, rozsah a metóda vzdelávacích činností: Forma výučby: Prednáška, Cvičenie laboratórne Odporúčaný rozsah výučby (v hodinách): Denná forma štúdia (hodiny za týždeň): - Externá forma štúdia (hodiny za semester): LS 1,2 Metóda štúdia: Prezenčná

Počet kreditov: 3

Odporúčaný semester štúdia: LS

Odporúčaný semester

Študijný program

Stupeň štúdia

Metóda štúdia

1.rok LS

Financie, bankovníctvo a investovanie (FBI_Bc_D_sk)
Ekonomika a manažment verejnej správy (EaMVS_Bc_D_sk)

1.
1.

Prezenčná
Prezenčná

Stupeň štúdia: 1.

Podmieňujúce predmety:

Podmienky na absolvovanie predmetu: Spôsob hodnotenia a skončenia štúdia predmetu: Klasifikovaný zápočet Priebežné hodnotenie (PH): Záverečné hodnotenie (ZH): Študent prospeje v ZH a úspešne vykoná skúšku, keď splní podmienku získať min. 51% z 100%. Študent prospeje v ZH a úspešne absolvuje predmet, keď splní podmienku získať min. 51% z 100%. Záverečné hodnotenie je zložené z hodnotenia priebežných aktivít napĺňaných v priebehu semestra zameraných na praktickú aplikáciu preberaných oblastí. Celkové hodnotenie: CH je suma hodnotení získaných študentom za hodnotené obdobie. Celkový výsledok sa stanoví v súlade s vnútornými predpismi TUKE. (študijný poriadok, vnútorný predpis zásady doktorandského štúdia)

Výsledky vzdelávania: Cieľom predmetu Úvod do dátovej vedy a analýzy dát je oboznámiť študentov so základmi spracovania, analýzy a vizualizácie dát. Dôraz sa kladie na praktické používanie programovacích jazykov Python a R, ktoré sú široko využívané v dátovej vede a analýze. Predmet zahŕňa úvod do práce s dátami, predspracovanie a čistenie dát, základné štatistické metódy, a jednoduchú vizualizáciu dát. Študenti si osvoja nielen technické zručnosti potrebné pre prácu s dátami. V rámci realizácie predmetu je využívaná kombinácia rozličných výučbových metód s cieľom zabezpečiť naplnenie stanovených cieľov predmetu a zvýšenia angažovanosti študentov na samotnom vzdelávacom procese. V predmete sú využívané klasické, aktivizujúce aj komplexné výučbové metódy. Počas realizácie budú študentov danými oblasťami sprevádzať experti z podnikovej praxe, vďaka čomu bude zabezpečená praktická využiteľnosť získaných vedomostí a zručností. V rámci cvičení využívame počítačom podporovanú výučbu uľahčujúcu problémové vyučovanie, ktoré využívame na získanie, podporu a rozvoj praktických zručností študentov. Po absolvovaní predmetu by študent mal mať: [i] Vedomosti: základné princípy dátovej vedy a jej uplatnenie v praxi; pochopenie rôznych typov dát a metód ich analýzy; znalosť základných štatistických a vizualizačných techník. [ii] Zručnosti: práca s knižnicami pandas, numpy, matplotlib, seaborn v Pythone alebo ich ekvivalentmi v R; čistenie a predspracovanie dát (chýbajúce hodnoty, transformácie); vizualizácia dát pomocou grafov. [iii] Kompetentnosti: schopnosť vybrať vhodné metódy analýzy pre rôzne typy dát; efektívne využívanie nástrojov na analýzu a vizualizáciu dát; kritické myslenie pri práci s dátami a vyvodzovaní záverov.

Stručná osnova predmetu: P1: Úvod do dátovej vedy, nástroje AI pre podporu pri práci s dátovými jazykmi. C1: Základy Pythonu/R – prvé kroky v prostredí Jupyter Notebook/RStudio. P2: Základy Pythonu/R - premenné/dátové typy. C2: Praktické úlohy na prácu s premennými a dátovými typmi. P3: Dátové štruktúry a ich využitie. C3: Zoznamy, slovníky (Python) / Vektory, data frames (R) P4: Jednoduché operácie s dátami. C4: Indexovanie, výber prvkov. P5: Práca s tabuľkovými dátami. C5: Úvod do práce s knižnicami pandas (Python)/ tidyverse (R) P6: Načítanie dát do Python/R. C6: Čítanie dát z csv, xlsx; základná manipulácia s tabuľkami. P7: Základy čistenia a prípravy dát. C7: Úlohy zamerané na identifikáciu chýbajúcich hodnôt, škálovanie a normalizáciu dát, odstraňovanie duplikátov, zjednodušenie dát, filtrovanie a triedenie dát. P8: Základy čistenia a prípravy dát C8: Úlohy zamerané na identifikáciu chýbajúcich hodnôt, odstraňovanie duplikátov, zjednodušenie dát, filtrovanie a triedenie dát, identifikácia outlierov. P9: Základná analýza dát. C9: Praktické úlohy zamerané na jednoduchú deskriptívnu štatistiku (priemer, medián, minimum, maximum, rozptyl), jednoduché vizualizácie (histogram, tabuľka frekvencií). P10: Základná exploračná analýza dát. C10: Praktické úlohy zamerané na jednoduchú štatistiku (priemer, medián, minimum, maximum). P11: Jednoduchá vizualizácia dát. C11: Praktické úlohy zamerané na vytváranie jednoduchých vizualizácií (histogram, tabuľka frekvencií). P12: Ukážka praktického využitia dátovej analýzy v praxi. C12: Konzultácie k praktickému využitiu dátovej analýzy v podnikovej praxi. P13: Prezentácia a hodnotenie priebežných aktivít. C13: Prezentácia a hodnotenie priebežných aktivít.

Odporúčaná literatúra: 1. McKinney, W. (2022). Python for Data Analysis (3rd ed.). O'Reilly. 2. Wickham, H., & Grolemund, G. (2017). R for Data Science. O'Reilly. 3. Bruce, P., & Bruce, A. (2017). Practical Statistics for Data Scientists: 50 Essential Concepts. O'Reilly. 4. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.

Odporúčané voliteľné súčasti programu:

Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu: slovenský

Poznámky:

Hodnotenie predmetov: Celkový počet hodnotených študentov: 0

Zabezpečuje: Ing. Dana Paľová, PhD. Ing. Martin Zoričak, PhD. Ing. Jana Zoričaková, PhD.

Dátum poslednej zmeny: 09.03.2026

Schválil: osoba/osoby zodpovedné za študijný program