Syllabus
Materiál je naplánován na 11 týdnů s jednou lekcí týdně. Zbylé dva týdny jsou určeny pro konzultace závěrečných prací. Každá lekce je rozdělena do tří částí - Concepts, Hands-on a Exercise. Concepts mají podobu přednášky pokrývající koncepční aspekty tématu daného dne, která poskytuje nezbytné teoretické zázemí předtím, než se začneme věnovat kódu. Tuto část lze přezdívat "I do". Hands-on obsahuje zdokumentovaný kód v Jupyter notebooku, který paralelně provádí lektor, poskytující dodatečný výklad, a studenti. Této části říkáme "We do". Exercise je soubor úkolů, které mají studenti plnit samostatně, s občasným vedením lektora. Den tedy zakončíme částí "You do".
Přehled témat pro jednotivé lekce. V závorce je uvedena klíčový Python balíček pro danou lekci:
Úvod do problematiky
Otevřená data science, základy manipulace s daty v Pythonu (pandas)
Prostorová data (geopandas)
Vztahy v prostoru (libpysal)
Explorativní analýza prostorových dat (esda)
Point patterns (pointpats)
Clustering (scikit-learn)
Rastrová data (xarray)
Interpolace (tobler, pyinterpolate)
Regrese (statsmodels, mgwr)
Machine learning (scikit-learn)
Annotation
Spatial Data Science v sociální geografii zavádí do výuky studentů geografie data science (datovou vědu) a výpočetní analýzu s využitím open source nástrojů napsaných v programovacím jazyce Python.
Předmět poskytuje studentům s malou nebo žádnou předchozí zkušeností s programováním základní kompetence v oblasti spatial data science (SDS). Zahrnuje:
- Rozšíření jejich statistické a numerické gramotnosti.
- Seznámení se základními principy programování a nejmodernějšími výpočetními nástroji pro SDS.
- Představení uceleného přehledu hlavních metodik, které má geograf v oblasti prostorových dat k dispozici, a vybudování intuice, jak a kdy je lze použít.
- Zaměření na reálné aplikace těchto technik v kontextu sociální geografie.
Kurz se zaměřuje na data, která se obvykle používají v sociální geografii, ale jeho použitelnost se neomezuje pouze na sociální geografii. V praxi pracuje spíše s vektorovými daty než s rastry (i když i těmi se trochu zabývá) a často s daty zachycujícími různé aspekty lidského života. Koncepty spatial data science jsou však univerzální.
Po absolvování kurzu budou studenti schopni:
- Prokázat porozumění pokročilým konceptům spatial data science a používat otevřené nástroje pro analýzu prostorových dat.
- Porozumět motivaci a vnitřní logice hlavních metodických přístupů SDS.
- Kriticky zhodnotit vhodnost konkrétních technik, co mohou nabídnout a jak mohou pomoci odpovědět na geografické otázky.
- Použít několik technik prostorové analýzy a interpretovat výsledky v procesu přeměny dat na informace.
- Samostatně pracovat s nástroji SDS s cílem získat cenné poznatky, když se setkají s novým souborem dat.