Статистички истражувачки вештини: уредување, репортирање и визуализација на податоци

1.Наслов на наставниот предметСтатистички истражувачки вештини: уредување, репортирање и визуализација на податоци
Statistical research skills: editing, reporting and visualizing data
2.Кодm23_w_244
3.Студиска програма
4.Организатор на студиската програма (единица, односно институт, катедра, оддел)Факултет за информатички науки и компјутерско инженерство
5.Степен (прв, втор, трет циклус)Втор циклус
6.Академска година / семестар9 / Зимски
7.Број на ЕКТС кредити6
8.Наставник
9.Предуслови за запишување на предметот—
10.Цели на предметната програма (компетенции)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.Содржина на предметната програмаОколина 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.Методи на учењеNULL
13.Вкупен расположив фонд на време6 ЕКТС x 30 часа = 180 часа
14.Распределба на расположивото време60 + 0 + 30 + 60 + 30 = 180 часа
15.Форми на наставните активности
15.1.Предавања - теоретска настава60 часови
15.2.Вежби (лабораториски, аудиториски), семинари, тимска работа0 часови
16.Други форми на активности
16.1.Проектни задачи60 часови
16.2.Самостојни задачи30 часови
16.3.Домашно учење30 часови
17.Начин на оценување
17.1.Тестови0 бодови
17.2.Семинарска работа / проект ( презентација: писмена и усна)60 бодови
17.3.Активности и учење0 бодови
17.4.Завршен испит30 бодови
18.Критериуми за оценување (бодови/ оценка)
до 50 бода5 (пет) (F)
од 51 до 60 бода6 (шест) (E)
од 61 до 70 бода7 (седум) (D)
од 71 до 80 бода8 (осум) (C)
од 81 до 90 бода9 (девет) (B)
од 91 до 100 бода10 (десет) (A)
19.Услов за потпис и полагање на завршен испитNULL
20.Јазик на кој се изведува наставатамакедонски и англиски
21.Метод на следење на квалитетот на наставатаАнкетни прашалници и разговор со студентите.
22.Литература
22.1.Задолжителна литература
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.Дополнителна литература
Ред.бр. Автор Наслов Издавач Година