Moodle FEL ČVUT
Analýza experimentálních dat
B232 - Letní 23/24
Toto je tzv. shluknutý kurz. Skládá se z několika samostatných předmětů, které sdílejí výukové materiály, úkoly, testy apod. Níže si můžete zobrazit informace o jednotlivých předmětech tvořících tento shluk.
Analýza experimentálních dat - B2M31AED
Hlavní kurz
Kredity | 5 |
Semestry | zimní |
Zakončení | zápočet a zkouška |
Jazyk výuky | čeština |
Rozsah výuky | 2P+2C |
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.
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
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
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.
[3] Meloun M, Militký J. Statistická analýza experimentálních dat. Praha: Academia, 2004.
[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.
[3] Meloun M, Militký J. Statistická analýza experimentálních dat. Praha: Academia, 2004.
Požadavky
Základy Matlabu.
Experimental Data Analysis - BE2M31AED
Kredity | 5 |
Semestry | zimní |
Zakončení | zápočet a zkouška |
Jazyk výuky | angličtina |
Rozsah výuky | 2P+2C |
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.
Cíle studia
Žádná data.
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
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
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.
[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
Žádná data.