Анализ данных в Python 2020-2021 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Лекции и семинары)
Строка 46: Строка 46:
 
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
 
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
 
|-
 
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
+
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Дома. Для урока] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
 
|-
 
|-
 
|}
 
|}

Версия 14:31, 8 декабря 2020

О курсе

"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

Преподаватель

Рогович Татьяна Владимировна

Ассистент

Инсан-Александр Латыпов

  • @Le_Figaro в Telegram

Материалы курса

Дистрибутив для установки Anaconda на собственные компьютеры Пожалуйста, устанавливайте версию Python 3.7 и выше.

Лекции и семинары

Записи занятий на youtube: жмяк

Лекции и семинары

Все блокноты и семинары: репозиторий

Дата Блокноты и презентации Данные Доп. материалы
17.09, 24.09 Python Refresher Блокноты Задачи и решения
1.10 Numpy Блокнот Задачи для самопроверки
15.10, 27.10 Intro to Pandas (Titanic) Блокнот train.csv Задачи для самопроверки
3.11 Pandas DateTime. Визуализация с Matplotlib DataTime блокнот Matplotlib блокнот ufo.csv populations.csv crimeRatesByState2005.tsv gapminderData.csv Films
10.11 Визуализация в Plotly. Plotly блокнот

Spiderchart блокнот

Spidertchart data iris data Nuclear tests Coordinates
17.11 Web-scraping Блокноты
20.11 Введение в ML Что такое данные и какие задачи может решать ML? Презентация
24.11 Логика решения задач ML Презентация Kaggle блокнот gender_submission train.csv test.csv
1.12 - 4.12 Логика машинного обучения. Решающее дерево и случайный лес Презентация EDA Блокнот Предсказываем цену домов. Блокнот Дома. Для урока Дома. Данные

Домашние задания

Домашние задания находим в проектах в ЛМС и там же сдаем.

ДЗ Дедлайн Файлы
ДЗ1: Python 1.10 23.59
ДЗ2: Pandas & Viz 1.12 23.59 ДЗ
ДЗ3: KNN 11.12 23.59 ДЗ3
ДЗ4: ML 17.12 23.59 Демо-вариант КР

Контрольные работы

КР ДАТА Тестовый вариант
КР1: Python 8.10 11:10 Жмяк
КР2: Анализ данных и ML 18.12

КР1

  • Проводится во время занятия по расписанию.
  • Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
  • Задания по типу и количеству аналогичны демонстрационному варианту.
  • Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

Дополнительные баллы

Дополнительные баллы рассчитываются по следующей формуле:

  • 8+ заданий: 1.5 балла
  • 5-7 заданий: 1 балл
  • <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.

Номер Платформа Дедлайн
1 DataCamp. Pandas 3 ноября 23.59
2 LMS. Pandas 11 ноября 23.59
3 DataCamp. Viz 18 ноября 23.59
4 DataCamp. Project 25 ноября 23.59
5 Scraping 3 декабря 23.59
6 KNN (ДЗ) + 2 балла 11 декабря 23.59
7 DC 20 декабря 23.59
8 DC + 2 балла 27 декабря 23.59


У студентов есть возможность получить до полутора дополнительных баллов за выполнение необязательных заданий в течение семестра. Дополнительные баллы учитываются в итоговой оценке до округления с весом 1. Обратите внимания, что дополнительные задания, выполненные в рамках онлайн курса засчитываются только при условии прохождения исключительно с корпоративного почтового адреса студента. Подключение студентов к онлайн курсу на платформе НПОО (https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ по заявке администратора учебного офиса образовательной программы. Скрытая сессия для студентов ВШЭ автоматически появляется в личном аккаунте на платформе. Регистрироваться на открытую сессию для всех желающих слушателей нельзя. На платформе DataCamp слушатели приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн. Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются. В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания. Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

Экзамен

TBA

Оценка

Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN. Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы, сданные позже, не принимаются и за них выставляется оценка «0».

Список рекомендуемых материалов

Линейная алгебра и статистика

Python

Machine learning

Материала по ML

Статистика

  • Бослав С. Статистика для всех (Есть в библиотеке)
  • Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

Web scraping