You are currently viewing the whole syllabus; go back to default view.
The speed of loading and viewing the syllabus may be slower when showing a large amount of content.
Úvodní informace
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“.
Blok 1 - Úvod do pokročilé vícerozměrné analýzy dat
V této přednášce se seznámíte s:
- významem, cíli a příklady využití vícerozměrné analýzy dat
- vícerozměrnými daty, jejich popisem a vizualizací
- předzpracováním dat
Blok 2 - Vícerozměrné statistické testy a rozložení
V této přednášce se seznámíte s:
- vícerozměrnými charakteristikami
- vícerozměrným normálním rozdělením
- vícerozměrným t-testem
- vícerozměrnou analýzou rozptylu
- transformacemi a jinými úpravami vícerozměrných dat
Blok 3 - Podobnosti a vzdálenosti ve vícerozměrném prostoru
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
Blok 4 - Shluková analýza
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
Blok 5 - Ordinační analýzy I
V této přednášce se seznámíte s:
- principy redukce dimenzionality dat
- selekcí a extrakcí proměnných
- analýzou hlavních komponent (PCA)
- faktorovou analýzou (FA)
Blok 6 - Ordinační analýzy II
V této přednášce se seznámíte s:
- analýzou nezávislých komponent (ICA)
- korespondenční analýzou (CA)
- vícerozměrným škálováním (MDS)
- redundanční analýzou (RDA)
- kanonickou korelační analýzou (CCorA)
Blok 7 - Klasifikace I
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
Blok 8 - Klasifikace II
V této přednášce se seznámíte s:
- klasifikací pomocí hranic - metodou podpůrných vektorů (SVM)
- dalšími metodami klasifikace
- hodnocením úspěšnosti klasifikace a srovnáním klasifikátorů