Subject

Statistical Research Skills: Data Editing, Reporting and Visualisation

Course Title

Statistical Research Skills: Data Editing, Reporting and Visualisation
Statistical research skills: editing, reporting and visualizing data

Code

m23_w_244

Study Programme

Data statistics and analytics

Organizer of the study programme (unit, institute, department or division)

Faculty of Computer Science and Engineering

Degree level (first, second, third cycle)

Second cycle

Academic year / semester

9 / Winter

Number of ECTS credits

Teacher

Бојан Илијоски, Емил Станков, Илинка Иваноска

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Студентите ќе се оспособат да:
Изведуваат оригинални идеи и да ги применат идеите во истражувачки контекст.
Ги пренесат своите заклучоци и знаење на специјализирана и неспецијализирана публика на јасен и недвосмислен начин.
Ги синтетизираат заклучоците добиени од овие анализи и да ги презентира јасно и убедливо писмено и усно.
Применуваат социјални вештини за тимска работа и автономно поврзување со други истражувачи.
Применуваат напредни техники на анализа и застапување на информации, со цел да се прилагодат на реални проблеми.
Користете слободен софтвер како Python за спроведување на статистичка анализа.
Применуваат и развиваат техники за визуелизација на собран примерок.
Применуваат знаења и вештини за напредно статистичко советување.

11.

Course content

Околина за уредување. Генерирање на динамички извештаи со Python, Markdown средина, експортирање и дистрибуција на извештаи, креирање на презентации.
Визулизации и библиотеки за визуелизација.
Развој на апликации. Дистрибуција и хостирање.

12.

Learning methods

NULL

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

60 + 0 + 30 + 60 + 30 = 180 hours

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	60 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	0 hours

16.

Other forms of activities

16.1.	Project assignments	60 hours
16.2.	Independent assignments	30 hours
16.3.	Home study	30 hours

17.

Assessment method

17.1.	Tests	0 points
17.2.	Seminar paper / project (presentation: written and oral)	60 points
17.3.	Activities and learning	0 points
17.4.	Final exam	30 points

18.

Grading criteria (points / grade)

up to 50 points	5 (five) (F)
from 51 to 60 points	6 (six) (E)
from 61 to 70 points	7 (seven) (D)
from 71 to 80 points	8 (eight) (C)
from 81 to 90 points	9 (nine) (B)
from 91 to 100 points	10 (ten) (A)

19.

Requirement for obtaining a signature and taking the final exam

NULL

20.

Language of instruction

Macedonian and English

21.

Method for monitoring the quality of teaching

Questionnaires and interviews with students.

22.

Literature

22.1.

Required literature

1. Ethan Williams | PYTHON DATA ANALYTICS: Advanced and Effective Strategies of Using Python Data Analytics | Independently published | 2020
2. Jake VanderPlas | Python Data Science Handbook: Essential Tools for Working with Data | O`Reilly | 2017
3. Kalilur Rahman | Python Data Visualization Essentials Guide: Become a Data Visualization expert by building strong proficiency in Pandas, Matplotlib, Seaborn, Plotly, Numpy, and Bokeh | BPB Publications | 2021

22.2.

Additional literature

No. Author Title Publisher Year