Analýza experimentálních dat - B2M31AEDA

Kredity 6
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
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.