Popis předmětu - B2M31AEDA

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
B2M31AEDA Analýza experimentálních dat
Role:PV Rozsah výuky:2P+2C
Katedra:13131 Jazyk výuky:CS
Garanti:Rusz J. Zakončení:Z,ZK
Přednášející:Rusz J. Kreditů:6
Cvičící:Krýže P., Rusz J., Šubert M. Semestr:Z

Webová stránka:

https://moodle.fel.cvut.cz/courses/B2M31AEDA

Anotace:

V rámci předmětu "Analýza experimentálních dat" se studenti naučí aplikovat základní metody statistických analýz a strojového učení pro vyhodnocení a interpretaci dat. V rámci cvičení budou studenti zpracovávat a vyhodnocovat dílčí úlohy na reálných datech z oblasti zpracování signálů v neurovědách. V rámci semestrální práce budou studenti řešit komplexní úlohu a na závěr prezentovat výsledky jejich práce. Cílem předmětu je studenty seznámit s praktickým využitím základních statistických metod a také naučit je kriticky myslet a získat dovednosti při samostatném řešení praktických úkolů.

Cíle studia:

Cílem předmětu je studenty seznámit s praktickým využitím základních statistických metod a také naučit je kriticky myslet a získat dovednosti při samostatném řešení praktických úkolů.

Obsah:

Studenti se naučí aplikovat základní metody statistických analýz a strojového učení pro vyhodnocení a interpretaci dat.

Osnovy přednášek:

1. Úvod do analýzy experimentálních dat, seznámení s daty
2. Základní statistické parametry, pravděpodobnostní distribuce, vykreslení statistických dat
3. Testování hypotéz, skupinové rozdíly, párové testy, velikost účinku
4. Korelace, testování normality dat, parametrické vs. neparametrické testy
5. Analýza variance, post-hoc testy
6. Chyby I. a II. typu, mnohočetná srovnání, odhad velikosti vzorku
7. Vícerozměrná analýza variance
8. Úvod do modelování, regresní analýza
9. Klasifikace s učitelem
10. Validace modelu
11. Klasifikace bez učitele
12. Redukce dimenzionality, interpretace dat
13. Rezerva, konzultace semestrálních prací
14. Prezentace výsledků semestrálních prací

Osnovy cvičení:

1. Základy analýzy dat v Matlabu.
2. Základní statistické parametry, pravděpodobnostní distribuce, vykreslení statistických dat
3. Testování hypotéz, skupinové rozdíly, párové testy, velikost účinku
4. Korelace, testování normality dat, parametrické vs. neparametrické testy
5. Analýza variance, post-hoc testy
6. Chyby I. a II. typu, mnohočetná srovnání, odhad velikosti vzorku
7. Vícerozměrná analýza variance
8. Úvod do modelování, regresní analýza
9. Klasifikace s učitelem
10. Validace modelu
11. Klasifikace bez učitele
12. Redukce dimenzionality, interpretace dat
13. Rezerva, konzultace semestrálních prací
14. Prezentace výsledků semestrálních prací

Literatura:

[1] Vidakovic B. Statistics for bioengineering sciences: with Matlab and WinBUGS support. New Yourk: Springer, 2011.
[2] Hastie T, Tibshirani R, Friedman JH. The elements of statistical learning : data mining, inference, and prediction: with 200 full-color illustrations. New York: Springer, 2001.

Požadavky:

Základy práce v programu Matlab.

Klíčová slova:

Analýza a interpretace dat, statistika, strojové učení.

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MPBIO2_2018 Lékařská technika PV
MPBIO3_2018 Zpracování obrazu PV
MPEK3_2018 Fotonika PV 3
MPBIO4_2018 Zpracování signálů PV
MPEK7_2018 Rádiové komunikace a systémy PV 3
MPEK1_2018 Elektronika PV 3
MPEK2_2018 Audiovizuální technika a zpracování signálů PV 3
MPEK4_2018 Technologie internetu věcí PV 3
MPBIO1_2018 Bioinformatika PV


Stránka vytvořena 15.7.2024 17:50:47, semestry: Z/2023-4, Z/2024-5, L/2023-4, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)