|
Vyučující
|
-
Kroupa Matěj, Mgr. Ph.D.
-
Lášek António, prof. RNDr. Ph.D.
|
|
Obsah předmětu
|
1. Klasifikace rozsáhlých datových souborů. 2. Vizualizace dat 3. Časové řady stacionární 4. Časové řady nestacionární 5. Časové řady ARIMA 6. Redukce dimenze dat faktorová analýza, PCA 7. Shluková analýza 8. Bayesovské metody základní pricnipy 9. Bayesovské metody odhad parametrů 10. Srovnání klasického a bayesovského přístupu 11. Kategorická data 12. Panelová data 13. Opakování. Rezerva.
|
|
Studijní aktivity a metody výuky
|
Přednáška, Cvičení
- Kontaktní výuka
- 65 hodin za semestr
- Příprava na zkoušku [10-60]
- 55 hodin za semestr
- Projekt individuální [40]
- 40 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| rozumět pojmům teorie časových řad a vícerozměrné statistické teorie |
| ovládat základní principy výpočtové statistiky |
| rozumět základním pojmům z teorie testování hypotéz |
| ovládat základní principy teorie pravděpodobnosti a matematické statistiky |
| Odborné dovednosti |
|---|
| provést jednoduché datové analýzy |
| implementovat základní simulační metody |
| ovládat některý statistický SW pro statistické zpracování dat (např. Excel, Matlab, R, Mathematica nebo Statistica) |
| vizualizovat základní charakteristiky datových souborů |
| Obecné způsobilosti |
|---|
| bc. studium: zvažuje možné klady a zápory jednotlivých variant řešení, včetně posouzení jejich rizik a důsledků, |
| bc. studium: rozpozná problém, objasní jeho podstatu, rozčlení ho na části, |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| klasifikovat rozsáhlé datové soubory a následně volit vhodné metody pro jejich zpracování |
| ovládat základní techniky pro statistické zpracování mnohorozuměrných datových souborů |
| rozumět technikám pro redukci dimenzi dat (faktorová analýza, PCA...) |
| rozumět základním principům Bayesovských metod, odhadů parametrů a srovnání s klasickými metodami |
| Odborné dovednosti |
|---|
| statisticky zpracovat rozsáhlé datové soubory |
| implementovat techniky pro redukci dimenze dat (faktorová analýza, PCA...) |
| vizualizovat statistické charakteristiky rozsáhlých datových souborů |
| provést jednoduché Bayesovské testování hypotéz |
| Obecné způsobilosti |
|---|
| mgr. studium: plánují, podporují a řídí s využitím teoretických poznatků oboru získávání dalších odborných znalostí, dovedností a způsobilostí ostatních členů týmu, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška založená na výkladu, |
| Cvičení (praktické činnosti), |
| Odborné dovednosti |
|---|
| Přednáška založená na výkladu, |
| Cvičení (praktické činnosti), |
| Obecné způsobilosti |
|---|
| Přednáška založená na výkladu, |
| Cvičení (praktické činnosti), |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Ústní zkouška, |
| Praktická zkouška, |
| Odborné dovednosti |
|---|
| Test, |
| Obecné způsobilosti |
|---|
| Ústní zkouška, |
|
Doporučená literatura
|
-
Kamath C. Scientific Data Mining. 2009.
-
Matloff N. The Art of R Programming. 2011.
-
Reif J. Metody matematické statistiky. 2000.
-
Teetor P. R Cookbook. 2011.
|