Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2019/2020

Analýza experimentálních dat

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
B2M31AEDA Z,ZK 6 2P+2C česky
Korekvizita:
Bezpečnost práce v elektrotechnice pro magistry (BEZM)
Přednášející:
Jan Rusz (gar.)
Cvičící:
Jan Rusz (gar.), Martin Kaňok
Předmět zajišťuje:
katedra teorie obvodů
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.

Požadavky:
Osnova 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

Osnova 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

Cíle studia:
Studijní materiály:

[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.

Poznámka:
Rozvrh na zimní semestr 2019/2020:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
Út
St
Čt
místnost T2:A3-413a
Rusz J.
12:45–14:15
(přednášková par. 1)
Dejvice
Laborator K413A
místnost T2:A4-405
Rusz J.
Kaňok M.

14:30–16:00
(přednášková par. 1
paralelka 101)

Dejvice
Laborator

Rozvrh na letní semestr 2019/2020:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 18. 10. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet5598606.html