|
Vyučující
|
-
Gruber Ansgar, Dr. rer. nat.
-
Vohnoutová Marta, Ing.
|
|
Obsah předmětu
|
Obsah přednášek 1. Linux - základní platforma 2. Jupyter Notebook a Jupyterhub - dokumentace a programování v jednom 3. Itertools - knihovna pro kombinatoriku 4. Numpy - prostředek pro numerickou matematiku a vícedimenzionální matice 5. Scipy - algoritmy pro interpolaci a integraci 6. Pandas - nástroj pro datové analýzy 7. Matplotlib a Seaborn - nástoje pro tvorbu grafů 8. Paralelní Python v kostce - optimalizace výpočtů 9. Základy objektového programování v Pythonu Obsah cvičení Práce s daty, získanými z reálného prostředí univerzity nebo firem. Aplikování probíraných Python knihoven na zpracování dat.
|
|
Studijní aktivity a metody výuky
|
Monologická (výklad, přednáška, instruktáž), Dialogická (diskuze, rozhovor, brainstorming), Práce s textem (učebnicí, knihou), Demonstrace, Individuální příprava ke zkoušce
- Účast na výuce
- 56 hodin za semestr
- Domácí příprava na výuku
- 10 hodin za semestr
- Příprava na zkoušku
- 9 hodin za semestr
- Příprava na zápočet
- 25 hodin za semestr
|
|
Výstupy z učení
|
Cílem předmětu je naučit se využívat rozsáhlé možnosti knihoven Python především se zaměřením na numerické a vědecké výpočty, big data, analýzy biologických dat a dále na zobrazování dat ve formě nejrůznějších grafů. Knihovny, na které bude výuka jmenovitě zaměřena jsou - Itertools - Numpy - Scipy - Matplotlib - Seaborn - Pandas Práce s knihovnami aplikovaného Pythonu budou zaměřeny na získání praktických zkušeností a také zpracovávaná data budou přebírána převážně z praxe na základě požadavků jednotlivých týmů Jihočeské univerzity. Součástí výuky bude i Semetrální projekt, který bude vždy určen pro týmy studentů. Vypracovaný Semetrální projekt budou muset jednotlivé týmy pro udělení zápočtu obhájit.
Na konci tohoto kurzu studenti: 1. Budou chápat pokročilé možnosti Pythonu pro iterativní procesy a zpracování dat 2. Budou umět používat vizualizační knihovny k efektivnímu předávání informací o datech. 3. Budou umět používat vědecké počítačové knihovny pro matematické modelování a řešení problémů. 4. Budou umět použít základní paralelní výpočty pro optimalizaci výkonu. 5. Budou umět aplikovat Python k analýze biologických dat a bioinformatice.
|
|
Předpoklady
|
UAI 735I/UAI 673/UAI 655 Python Basics/Python základy/ Úvod do Pythonu pro AI nebo obdobné
|
|
Hodnoticí metody a kritéria
|
Analýza výkonů studenta, Kombinovaná zkouška, Rozbor kvalifikační práce
Podmínka k udělení zápočtu je 80% účast (nebo omluvená neúčast) a 80% zpracovaných domácích úkolů (Domácí úlohy se započítávají do výsledku zkoušky - max. je 100 bodů - minimum 80 bodů. Zpracování týmového semestrálního projektu [Stav si student může zkontrolovat v moodle.]
|
|
Doporučená literatura
|
|