Subject

Статистички истражувачки вештини: уредување, репортирање и визуализација на податоци

1. Наслов на наставниот предмет Статистички истражувачки вештини: уредување, репортирање и визуализација на податоци
Statistical research skills: editing, reporting and visualizing data
2. Код m23_w_244
3. Студиска програма Статистика и аналитика на податоци
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 / семестар 9 / Зимски
7. Број на ЕКТС кредити 6
8. Наставник Бојан Илијоски, Емил Станков, Илинка Иваноска
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 програма 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. Методи на учење NULL
13. Вкупен расположив фонд на време 6 ЕКТС x 30 часа = 180 часа
14. Распределба на расположивото време 60 + 0 + 30 + 60 + 30 = 180 часа
15. Форми на наставните активности
15.1. Предавања - теоретска настава 60 часови
15.2. Вежби (лабораториски, аудиториски), семинари, тимска работа 0 часови
16. Други форми на активности
16.1. Проектни задачи 60 часови
16.2. Самостојни задачи 30 часови
16.3. Домашно учење 30 часови
17. Начин на оценување
17.1. Тестови 0 бодови
17.2. Семинарска работа / проект ( презентација: писмена и усна) 60 бодови
17.3. Активности и учење 0 бодови
17.4. Завршен испит 30 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 испит NULL
20. Јазик на кој се изведува наставата македонски и англиски
21. Метод на следење на квалитетот на наставата Анкетни 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