Cíle kurzu
Cílem předmětu je prohloubit Vaše teoretické a praktické znalosti analýzy dat o pochopení a osvojení principů pokročilých vícerozměrných metod analýzy dat s ohledem na specifika datových souborů a výpočtů z oblasti neurovědního výzkumu. Důraz bude kladen především na správnou aplikaci těchto metod v praxi a na interpretaci dosažených výsledků. Probíraná teorie vždy bude následována praktickými příklady s využitím software SPSS, STATISTICA, R či MATLAB, které jsou na Masarykově univerzitě volně dostupné.

Přínos kurzu

• Orientace v principech vícerozměrné analýzy dat s důrazem na zpracování medicínských dat, a to především z neurovědního výzkumu.
• Schopnost zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků.
• Schopnost správné interpretace dosažených výsledků včetně vyhodnocení úspěšnosti klasifikace.
• Schopnost praktické analýzy dat v software MATLAB, STATISTICA, R či SPSS (studenti a zaměstnanci MU mohou tento software získat zde: https://inet.muni.cz/app/soft/licence).

Organizace výuky
Výuka bude probíhat v tříhodinových blocích v průběhu 8 týdnů každou středu od 27. 2. 2019 do 24. 4. 2019 kromě 6. 3. vždy od 15:00 do 18:00 v počítačové učebně IBA LF MU na Kamenici 126/3.

Požadavky k ukončení kurzu
Kurz je ukončen kolokviem sestávajícím se z analýzy praktických příkladů na počítači. K úspěšnému ukončení je nutné porozumět probíraným tématům a umět aplikovat vícerozměrné statistické metody při analýze reálných datových souborů.

Kontakt
koritakova@iba.muni.cz

Poděkování
Příprava výukových materiálů předmětu „DSAN02 Pokročilé metody analýzy dat v neurovědách“ byla finančně podporována prostředky projektu FRMU č. MUNI/FR/0260/2014 „Pokročilé metody analýzy dat v neurovědách jako nový předmět na LF MU“.

V této přednášce se seznámíte s:

• významem, cíli a příklady využití vícerozměrné analýzy dat
• vícerozměrnými daty, jejich popisem a vizualizací
• předzpracováním dat

V této přednášce se seznámíte s:

• vícerozměrnými charakteristikami
• vícerozměrným normálním rozdělením
• vícerozměrným t-testem
• vícerozměrnou analýzou rozptylu
• transformacemi a jinými úpravami vícerozměrných dat

V této přednášce se seznámíte s:

• úvodem do metrik podobností a vzdáleností
• metrikami pro určení vzdálenosti mezi dvěma objekty
• metrikami pro určení podobnosti mezi dvěma objekty
• metrikami pro určení vzdálenosti mezi dvěma skupinami objektů
• asociačními maticemi

V této přednášce se seznámíte s:

• podstatou a cíli shlukové analýzy dat
• shlukovou analýzou hierarchickou – hierarchickým aglomerativním shlukováním
• shlukovou analýzou hierarchickou – hierarchickým divizivním shlukováním
• shlukovou analýzou nehierarchickou
• identifikací optimálního počtu shluků

V této přednášce se seznámíte s:

• principy redukce dimenzionality dat
• selekcí a extrakcí proměnných
• analýzou hlavních komponent (PCA)
• faktorovou analýzou (FA)

V této přednášce se seznámíte s:

• analýzou nezávislých komponent (ICA)
• korespondenční analýzou (CA)
• vícerozměrným škálováním (MDS)
• redundanční analýzou (RDA)
• kanonickou korelační analýzou (CCorA)

V této přednášce se seznámíte s:

• úvodem do klasifikace dat
• klasifikací pomocí diskriminačních funkcí:
  • lineárními diskriminačními funkcemi
  • Bayesovým klasifikátorem
• klasifikací pomocí minimální vzdálenosti
• klasifikací pomocí hranic:
  • Fisherovou lineární diskriminační analýzou

V této přednášce se seznámíte s:

• klasifikací pomocí hranic - metodou podpůrných vektorů (SVM)
• dalšími metodami klasifikace
• hodnocením úspěšnosti klasifikace a srovnáním klasifikátorů