Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Advanced Python for cognitive scientists

Informacje ogólne

Kod przedmiotu: 2500-EN-COG-OB1Z-5
Kod Erasmus / ISCED: 14.4 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0313) Psychologia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Advanced Python for cognitive scientists
Jednostka: Wydział Psychologii
Grupy: Cognitive Science
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Rodzaj przedmiotu:

obowiązkowe

Założenia (opisowo):

(tylko po angielsku) “Introduction to programming in Python” class or equivalent.

Tryb prowadzenia:

w sali

Skrócony opis: (tylko po angielsku)

The goal of the course is to build fluency in using Python programming

language as a tool for scientific computing, data manipulation and

visualization. We will introduce libraries which constitute a core of Python

ecosystem for data analysis: numpy, scipy, pandas, matplotlib. After

covering the basics, students will have the opportunity to hone their skills

by working through a number of applications of the introduced tools in

data analysis. Simultaneously, they will be improving their programming

style and learning about good programming practices. Previous

experience with Python is necessary.

Metody i kryteria oceniania:

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-01-28
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia wykładowe, 45 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Marcin Leśniak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Ćwiczenia wykładowe - Zaliczenie na ocenę
Pełny opis: (tylko po angielsku)

This course is designed as a continuation of an introductory course of Python programming. It is assumed that students know the basics of language syntax and are able to write simple programs on their own. In this class they will expand their knowledge of the language, get to know popular Python libraries, and learn practical applications of their skills. In addition to imperative style of programming, already known to students, concepts of high-level array programming (based on numpy and pandas libraries) are introduced.

The focus is on scientific computing and exploratory data analysis. Libraries covered include numpy, scipy, pandas, matplotlib. Students learn important aspects of data literacy: data preprocessing, data manipulation, data visualization. These practical skills are prerequisites for delving deeper into issues of computational modeling and data science.

Literatura: (tylko po angielsku)

Recommended (not obligatory) readings:

1. Sheppard, K. (2016). Introduction to Python for Econometrics, Statistics and Numerical Analysis: Third Edition https://www.kevinsheppard.com/files/teaching/python/notes/python_introduction_2019.pdf

2. Rougier, N.P. (2017). From Python to Numpy

http://www.labri.fr/perso/nrougier/from-python-to-numpy/

3. McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython: Second Edition

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.3.0-2b06adb1e (2024-03-27)