Experimental Data Analysis
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
BE2M31AED | Z,ZK | 5 | 2P+2C | anglicky |
- Vztahy:
- Podmínkou zápisu na předmět BE2M31AED je, že student si nejpozději ve stejném semestru zapsal příslušný počet předmětů ze skupiny BEZBM
- Garant předmětu:
- Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra teorie obvodů
- 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.
- Požadavky:
- Osnova 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
- Osnova 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
- 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:
- Další informace:
- Pro tento předmět se rozvrh nepřipravuje
- Předmět je součástí následujících studijních plánů: