Cvičenie a projekt vo dvojiciach: max. 60 bodov

Práca na úlohách v rámci cvičení: 5 bodov

Projekt

1. fáza - prieskumná analýza (v 6. týždni): 16 bodov
2. fáza - predspracovanie údajov (v 9. týždni): 21 bodov
3. fáza - strojové učenie (v 12. týždni): 18 bodov

Skúška: max. 40 bodov

1. vypracovanie projektu v akceptovateľnej kvalite, jeho odovzdanie a prezentovanie podľa harmonogramu
2. aktívna účasť na cvičeniach
3. získanie aspoň 25 bodov počas semestra
4. získanie aspoň 10 bodov zo skúšky
5. získanie aspoň 56 bodov v súčte bodov za semester a skúšku podľa platnej klasifikačnej stupnice na FIIT STU

V prípade nedodržania termínu na odovzdanie jednotlivých fáz projektu do systému AIS bude možné danú fázu odovzdať do 7 dní s 50% penalizáciou. Neskoršie odovzdanie nebude možné. Neodovzdanie niektorej z fáz projektu bude mať za následok neudelenie zápočtu.

Pre absolvovanie predmetu zároveň platia všeobecné podmienky absolvovania a hodnotenia predmetov. Hodnotenie študenta je súčet získaných bodov za cvičenie, projekt a za skúšku.

• Ak študent získa najmenej 92 bodov je hodnotený klasifikačným stupňom A,
• ak získa najmenej 83 bodov je hodnotený klasifikačným stupňom B,
• ak získa najmenej 74 bodov je hodnotený klasifikačným stupňom C,
• ak získa najmenej 65 bodov je hodnotený klasifikačným stupňom D,
• ak získa najmenej 56 bodov je hodnotený klasifikačným stupňom E,
• ak získa menej ako 56 bodov je hodnotený klasifikačným stupňom FX.

Za samozrejmosť sa považuje dodržanie pravidiel akademickej korektnosti a čestnosti. Akékoľvek vydávanie cudzej práce za vlastnú je neakceptovateľné, a to v akomkoľvek rozsahu. Ak sa ho dopustíte, automaticky to znamená neúspešné ukončenie predmetu (FX) a podnet na disciplinárnu komisiu.

• O'Neil, C. and Schutt, R., 2014. Doing data science: Straight talk from the frontline. O'Reilly Media, Inc., ISBN 978-1449358655

• Downey, A., 2014. Think stats: Exploratory Data Analysis. O'Reilly Media, Inc., ISBN 978-1-4919-0733-7

• Shaw, Z.A., 2017. Learn python 3 the hard way: A very simple introduction to the terrifyingly beautiful world of computers and code. Addison-Wesley Professional. ISBN 978-0134692883.

• Skiena, S.S., The Data Science Design Manual. Springer International Publishing, 2017. 445 s. ISBN 978-3-319-55443-3

• Vanderplas, J., Python Data Science Handbook: Essential Tools for Working with Data. O'Reilly Media, 2016. 541 s. ISBN 978-1-4919-1205-8.

• Nguyen G. et al.: Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey. Artificial Intelligence Review, Springer Nature, 2019, ISSN 0269-2821, DOI 10.1007/s10462-018-09679-z.

• Nguyen G. et al.: Considerations about Data Processing, Machine Learning, HPC, Apache Spark and GPU. 11th Workshop on Intelligent and Knowledge Oriented Technologies affiliated with 35th int. conf. Data and Knowledge (WIKT-DaZ 2016), pp. 241-247, ISBN 978-80-227-4619-9. (Eds. M. Bieliková and I. Srba)

• Móro R., Ševcech J., Kaššák O.: Intelligent Data Analysis at FIIT STU in 2019/2020

• Casella, G. and Berger, R.L., 2002. Statistical inference (Vol. 2, pp. 337-472). Pacific Grove, CA: Duxbury.