Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod

---

BE2M31AEDA	Experimental Data Analysis
Role:	P	Rozsah výuky:	2P+2C
Katedra:	13131	Jazyk výuky:	EN
Garanti:	Rusz J.	Zakončení:	Z,ZK
Přednášející:		Kreditů:	6
Cvičící:		Semestr:	Z

Anotace:

V rámci předmětu Analýza experimentálních dat si studenti ověří aplikace základních DSP metod na různých úlohách a rovněž budou aplikovat základní statistické a klasifikační metody pro vyhodnocení a interpretaci dat. V rámci semestrální práce budou studenti zpracovávat a vyhodnocovat reálná data, a na závěr prezentovat výsledky jejich práce. Cílem předmětu je naučit studenty kriticky myslet a získat dovedností při samostatném řešení praktických úkolů.

Osnovy přednášek:

1.		Introduction to the subject "Experimental Data Analysis", introduction to data
2.		Introduction to the statistics, probability distributions, and plotting statistical data
3.		Hypothesis testing, group differences, paired test, effect size
4.		Correlations, normality of data testing, parametric vs. non-parametric tests
5.		Analysis of variance, post-hoc testing
6.		Type I & Type II errors, multiple comparisons, sample size estimation
7.		Factorial analysis of variance
8.		Introduction to models, regression analysis
9.		Supervised classification
10.		Model validation
11.		Unsupervised classification
12.		Dimensionality reduction, data interpretation
13.		Reserve, consultation of semestral projects
14.		Presentation of obtained results

Osnovy cvičení:

1.		Introduction to Matlab
2.		Introduction to the statistics, probability distributions, and plotting statistical data
3.		Hypothesis testing, group differences, paired test, effect size
4.		Correlations, normality of data testing, parametric vs. non-parametric tests
5.		Analysis of variance, post-hoc testing
6.		Type I & Type II errors, multiple comparisons, sample size estimation
7.		Factorial analysis of variance
8.		Introduction to models, regression analysis
9.		Supervised classification
10.		Model validation
11.		Unsupervised classification
12.		Dimensionality reduction, data interpretation
13.		Reserve, consultation of semestral projects
14.		Presentation of obtained results

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:

Předmět je zahrnut do těchto studijních plánů:

Plán	Obor	Role	Dop. semestr
MEKIT2_2026	Internet věcí	P	1
MEKIT4_2026	Audiovizuální technika	P	1
MEKIT1_2026	Inteligentní komunikační sítě	P	1

---

Stránka vytvořena 20.4.2026 17:52:10, semestry: Z/2025-6, Z/2026-7, L/2025-6, L/2026-7, Z,L/2027-8, Z/2028-9, L/2029-30, L/2028-9, připomínky k informační náplni zasílejte správci studijních plánů

Návrh a realizace: I. Halaška (K336), J. Novák (K336)