Pravda je, že když když člověk zvládne všechny předměty v prvních dvou letech, je třeťák už relativní pohoda. V pátém semestru jsem si zapsal většinu oborových předmětů, které mi chyběly z předchozích let, kdy jsem si volbou oboru jistý ještě nebyl. Jediný povinný předmět, statistika (PST), poslední bakalářská matika, taky nebyl zas tak náročný.

Můj obor Znalostní inženýrství (ZI) letos přešel pod Katedru aplikované matematiky což byl definitivně krok správným směrem protože se v DS jedná víc o aplikovanou matematiku než softwarové inženýrství.

[BI-VZD] Vytěžování znalostí z dat

Klaním se a tleskám. Jako bylo VZD jsem si představoval celé moje studium. Předmět je v podstatě úvodem k základním algoritmům v machine learningu, naučil mě obrovské množství věcí a hrozně mě bavil. Jakožto můj nejoblíbenější předmět za celého bakaláře ho doporučuji zapsat komukoliv, kdo se alespoň trochu zajímá o data science nebo o machine learning.

Za semestr se proberou rozhodovací stromy, ensemble metody a přes techniky clusteringu se člověk dostane až na lineární a logistickou regresi. Celý kurz je zakončen úvodem do neuronových sítí. V průběhu semestru má student za úkol vizualizovat data nad rozdílnými datasety a vytvořit nad nimi model, s co největší přesností. Tedy takový studentský Kaggle, super!

[BI-PST] Pravděpodobnost a statistika

Statistika byla moje poslední matematika, a definitivně se jednalo o jednu z jednodušších matematik. Díky tomu, že se v semestru píše 6 „nehlášených“ písemek, je potřeba se před každým cvikem mrknout na probíranou látku a trochu jí i rozumět. Na konci semestru se ve skupině vypracovává semestrální úloha, kde jsme si zkusili naprogramovat něco v Rku a vyzkoušet si, jak vybrat statistický model pro zadaná data.

Ačkoliv mě statistika relativně bavila, často zjišťuji, že s matematickými základy kterými mě vybavil FIT si občas nevystačím, obzvlášť vzhledem k tomu, jak moc AI je založeno na Bayesovské statistice. Na druhou stranu ale chápu, že většina lidí vyvíjejících SW nikdy nemá velkou potřebu zacházet do hloubky co se matematiky týče. A sám mám ke všem matematikám ambivalentní vztah, kdy mi připadají krásné s chtěl bych vědět víc, ale když se dostanu k věci tak to bolí.

míra cholesterolu mezi guatemalskými indiány

[BI-ZNS] Znalostní systémy

Mám pocit, že znalostní systémy jsou nějakým pozůstatkem minulosti který přežil i přes propírání v anketě až do současnosti. Garantem tohoto předmětu je náš pan děkan Marcel Jiřina, který je ale skutečně odborníkem. Je vidět, že spolupracuje s průmyslem a vždycky má ke každému problému nějaký zajímavý příběh. Co se syllabu týče, je to slabota. Proberou se základy struktury znalostního systému, jak v nich funguje inference a jak pracovat s neurčitostmi. Tedy od stromů se nějak dojde přes Bayesovskou inferenci až k fuzzy logice.

Naprosto tragická cvičení jsou pak hřebíčkem do pomyslné rakve tohoto předmětu. Každých čtrnáct dnů vám slečna Hájková, která je bohužel i jedinou cvičící, předhodí zadání a vy bez jakýchkoliv dalších specifikací něco uvaříte z vody. Na základě tohoto díla jsou vám následně přiděleny body. Tenhle předmět byl chaos a je mi trochu smutno, jestli se můj obor jmenuje právě podle něj.

AND graph ze znalostního systému pro opraváře kol

[BI-BIG] Technologie Big-Data

BIG jsou dobře míněný předmět, který opravdu ukazuje technologie, které se využívají napříč odvětvím. Celková struktura předmětu a hlavně cvičení je bohužel špatná.

Přednášky obsahují kvanta informací a většinu lidí odradily už konstantní pozdní příchody přednášejícího (jednou navíc nepřišel vůbec). Cením, že se vyčlenilo několik přednášek a tak jsme si mohli poslechnout, jak se pracuje s Big Data například v Seznamu nebo v Jumpshotu.

Na cvičeních si člověk osvojí základy užívání Dockeru a v něm si i následně rozjede Hive, Spark, HDFS i ElasticSearch. Dokonce si vyzkoušíte, jaké je to napsat ve Scale nějakou základní transformaci. Príma, řeknete si. Není tomu úplně tak. Často moc nevíte, co děláte, a jen kopírujete konfiguráky ze zadání a modlíte se, aby to nespadlo s nějakou bizarní chybou. Výsměchem jsou pak dvě hodnotící cvičení, na nichž je třeba zreplikovat práci z předchozích cvičení. A našla se spousta lidí, která na nich získala třeba jen 3/20 bodů. Nepíše se zkoušková písemka, ale místo ní je klasifikovaný zápočet ze kterého jsme byli všichni stejně rozpačití jako z písemek v semestru. Grand finále je připravit si projekt nad libovolným datasetem, ten dostat do Elasticu, vytvořit si dashboard a celý projekt zdokumentovat. Vzhledem k tomu, že nikdo moc nevěděl, co dělat, to byl taky trochu chaos.

Dashboard z Kibany vytvořený nad datasetem v rámci semestrálky

[BI-TJV] Technologie Java

TJV naopak splňuje do písmenka definici toho nejzbytečnějšího předmětu, se kterým jsem se na FITu setkal. A to hlavně vzhledem k mému oboru. Samo o sobě je pro mě programování v Javě pain opodstatněný jedině vysokými platy Java developerů. Kdo by si ale myslel, že se člověk naučí v TJV programovat v Javě, je na omylu. Jedná se totiž o kurz klikání v NetBeans a automatického generování kódu bez většího porozumění, co to vlastně dělá. Cílem má být seznámit studenta s Java Enterprise Edition. Celá známka předmětu je založena na práci na semestrálce a její následné replikaci u „zkoušky“. Celý semestr jde tedy jen o to nezabít se s ohledem na fakt, že se v NetBeansech snažíte napodobit cizí práci tak, aby to alespoň trochu fungovalo. Největší pýchou mě naplňuje, že jsem nenavštívil ani jednu přednášku. Studenti dalších ročníků ZI se tomuhle mordoru vyhnou, protože si někdo snad uvědomil, že Enterprise Java nikoho v Data Science nespasí.

Chození na přednášky je ztráta času. Naopak alespoň na některá cvičení doporučuji chodit. Pokud jste někdy na podobném projektu pracovali, můžete se teoreticky vyhnout i tomu. Se semestrálkou začněte včas a můžete ji pak i předčasně odevzdat, případně otravovat cvičící s tím, že vám Glassfish hází nějakou nesmyslnou hlášku. Zkouška spočívá v replikaci semestrálky v horizontu 3 hodin, což je peklo, ale pokud alespoň trochu víte, o co jde, dá se to vykopírovat z GitHubu a zvládnout.

[BI-SZ1] Seminář znalostního inženýrství

Velmi zajímavý formát předmětu, se kterým jsem se zatím na FITu nesetkal. Každý účastník kurzu má za úkol nastudovat si ML paper, ať už podle svého výběru, nebo z nabízeného seznamu. Vybraný paper následně v angličtině přednést a vysvětlit spolužákům. Vzhledem k tomu, že si SZ1 zapsalo jen pár lidí, všichni jsme se navzájem znali, což definitivně bourá komunikační bariéry a není pak takový problém se kdyoliv na něco „hloupýho“ zeptat. Obecně jsem velký fanda tohohle přístupu, kdy student vysvětluje látku svým kolegům na stejné úrovni. Je to prospěšné pro všechny a může to být celkem sranda.

[FI-KSA] Úvod do kulturní a sociální antropologie

Za studium je potřeba splnit několik humanitních předmětů. Sociální antropologie byla easy způsob jak dostat pár kreditů. Stačí jít na pár přednášek a pak na základě topicu probíraného na jedné z přednášek napsat úvahu a probrat ji u „zkoušky“ s vyučujícím. Zkouška je to fakt v uvozovkách, protože mi vyučující vykládal 10 minut o tom, jak se rozešel se svojí holkou protože stála moc blízko reproduktorů (a na tom mi ukazoval nějaký antropologický jev).

[BI-ANG a BI-A2L] Zkouška z angličtiny + Anglický jazyk pro IT

Nechal jsem si konečně uznat certifikát (FCE) z angličtiny. Oba předměty jsou za 2 kredity a pokud máte za sebou nějaký certifikát, uznají vám je oba za A, což mi příjemně zlepšilo průměr. Nejlepší je si je takhle šetřit a uznat si je, až budete někdy potřebovat kredity nebo si zlepšit průměr kvůli stýpku.

[BI-BPR] Bakalářský projekt

Pátý semestr už trochu začíná zavánět bakalářkou, takže se můžete těšit na spoustu vypsychlých spolužáků braggujících o tom, že už je hrozně pozdě a že ještě nemají zadání. Ale je pravda že čím dřív si člověk uloví zadání a vedoucího, tím líp. Na druhou stranu není důvod se nějak extra stresovat, spíš nad tím přemýšlet a rozhodit sítě. Pokud máte v plánu příští semestr psát bakalářku, musíte si zapsat BPR, což je předmět, v jehož rámci máte za úkol najít si téma bakalářky a teoreticky na ní i začít pracovat. Opět to jsou kredity zadarmo, stačí, aby vám po zapsání práce do systému udělil vedoucí zápočet a máte vyhráno.

Napsat komentář

Vaše emailová adresa nebude zveřejněna.