SIS code: 
NPFL112, NPFL137
Semester: 
summer
Examination: 
zkouška, zápočet
Instructor: 
Instructor: 
Václav Cvrček

V humanitních oborech se nezvratně prosazuje paradigma tzv. Digital Humanities založené na automatické a typicky kvantitativní analýze (velkých) dat. Tento trend plnou silou zasáhl i historii a literární vědu, nemluvě o lingvistice a translatologii, které mají dlouhou tradici korpusových a kvantitativních metod. Kromě vědy se datová analýza uplatňuje například v žurnalistice, veřejné správě a poradenství a její zvládnutí vám může pomoci najít zajímavé pracovní uplatnění.

Naučíme vás:
- čistit a strukturovat data do přehledných tabulek,
- odhalovat trendy, pravidelnosti, i extrémní případy,
- základy moderní vizualizace

Používáme veřejně přístupný programovací jazyk R, jeho vyspělé grafické vývojové rozhraní RStudio a moderní analytické knihovny rodiny tidyverse, s kterými pracují profesionální datoví analytici na celém světě. Látku vykládáme převážně na datasetech mtcars, diamonds, iris, všeobecně známých v komunitě uživatelů R, ale zařazujeme i případovou studii na lingvistických datech, případně jiných zajímavých datech od studentů, pokud je dostaneme s rozumným předstihem.
 
V závislosti na aktuální cenové politice online školy DataCamp mívají studenti tohoto kurzu bezplatný přístup k jejich výukovým materiálům po celý semestr. Jestli si chcete předem utvořit představu o náplni kurzu, vytvořte si účet na DataCampu a prohlédněte si jejich bezplatný úvodní kurz R!


Předpoklady: angličtina, základy práce s počítačem, frustrační tolerance a disciplína k pravidelné domácí přípravě. Programovat umět nemusíte.

Požadavky pro udělení atestace: aktivní účast na všech hodinách (výjimky na zvážení učitele), včasné odevzdávání domácích úkolů, důkladné studium a příprava k diskusi u zadávané četby (3 - 4 články za semestr).


Sylabus:

- Seznámení s RStudiem. Základní pojmy. Datová analýza jako malý výsek programování.
- Balíčky, funkce, argumenty, parametry
- Vybrané objektové třídy: vektor, faktor, data frame, table, tibble, seznam, matice
- Reporting v RMarkDown
- Agregace dat
- Vizuální gramatika diagramů v knihovně ggplot2.
- Vizuální explorace dat: typy a kombinace veličin, vhodné diagramy a mapování na estetické škály
- Overplotting a jak na něj
- Funkce vyhlazování v ggplot2
- Objekty statistických transformací ("stat_xxx") a jejich souhra s geometrickými objekty ("geom_xxx")
- Koncept "tidy data"
- Data wrangling: hlavní funkce knihoven dplyr a tidyr pro transformace tabulek
- Operace na znakových řetězcích (knihovna stringr)
- Import a export souborů a objektů různých formátů
- Případová studie

Hlavní prameny:

Hadley Wickham and Garrett Grolemund. 2017. R for Data Science. O'Reilly. Momentálně zdarma online: http://r4ds.had.co.nz/
Garrett Grolemund. 2014. Hands-On Programming with R. O'Reilly.
Nina Zumel and John Mount. 2014 Practical Data Science with R. Manning.


Vedlejší prameny:

Julia Silge and David Robinson: Text Mining with R. A tidy approach. 2017. O'Reilly.
Stefan Th. Gries. 2013. Statistics for Linguistics with R. A practical introduction. De Gruyter.
Stefan Th. Gries. 2009. Quantitative Corpus Linguistics with R. De Gruyter. Routledge.
Matthew L. Jockers. 2014. Text Analysis with R for Students of Literature. Springer.
Natalia Levshina. 2015. How to do Linguistics with R. Data exploration and statistical analysis. John Benjamins.
Simon Munzert, Christian Rubba, Peter Meissner, Dominic Nyhuis: Automated Data Collection with R. A Practical Guide to Web Scraping and Text Mining. 2015. Wiley.

Výuka se zpravidla koná v letním semestru, každý pátek 9:00-12:10 v laboratoři SU1 v tzv. rotundě v přízemí budovy MFF na Malostranském náměstí (vchod z jeho dolní části). Řídíme se začátkem semestru na FF.

 

Přístup k RStudiu na cloudu Jupyter (jen studenti s platným účtem)

https://jupyter.korpus.cz/r/auth-sign-in