http://sami.fel.cvut.cz/aed/index_soubory/image002.jpg

 

B2M31AED – Analýza experimentálních dat

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.

Informace k předmětu

Garant a přednášející

Ing. Jan Rusz, PhD                    <ruszjan at fel.cvut.cz>

Laboratoře

Ing. Jan Hlavnička                     <hlavnjan at fel.cvut.cz>

Ing. Jan Rusz, PhD                    

 

Rozvrh

Přednášky:       čtvrtek  16:15 — 17:45 T2: A4-405        
Cvičení:            čtvrtek  18:00 — 19:30 T2: A4-405
                                  

Literatura

[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.

 

[3] Meloun M, Militký J. Statistická analýza experimentálních dat. Praha: Academia, 2004. [PDF]

 

.

Pravidla pro hodnocení a podmínky udělení zápočtu

 

Zadání semestrální práce je pro každou dvojici studentů individuální

 

PODMÍNKOU ZÁPOČTU JE VYPRACOVÁNÍ A ODPREZENTOVÁNÍ SEMESTRÁLNÍ PRÁCE

 

Varianta A: Muhammad Ali [ZIP]

Varianta B: Analýza chůze u roztroušené sklerózy [ZIP]

Varianta C: Porucha chování v REM spánku [ZIP]

Varianta D: Kontrola hlasitosti u Huntingtonovy nemoci [ZIP]

Varianta E: Pohyby očí a stárnutí [ZIP]

 

Celkové hodnocení zkoušky se bude skládat:

   Max 20 bodů … cvičení v semestru (10 cvičení x 2 body = 20 bodů)

   Max 50 bodů … semestrální práce:

            30 bodů  - kvalita zpracování a obsah odevzdané zprávy [Info]

            10 bodů  - prezentace výsledků (poslední týden výuky) [Info]

            10 bodů  - posudek na semestrální práci zadaného kolegy [Šablona]

   Max 30 bodů … zkouška

 

Navíc lze získat bonus až 20 bodů za termínované bonusové úlohy bodované dle obtížnosti

  

Výsledné hodnocení:

            A ... 91 až 100

            B ... 81 až 90

            C ... 71 až 80

            D ... 61 až 70

            E ... 51 až 60

            F ... < 50

 

Průběžné hodnocení

 

Osnova předmětu

 

 

Týden

Datum

Téma

Výukové materiály

1

05-10-2017

 

 

 

 

 

 

 

05-10-2017

Úvod do analýzy experimentálních dat

 

Seznámení s daty

Funkce basálních ganglií

Hypokinetické a hyperkinetické syndromy

Parkinsonova a Huntingtonova nemoc

Motorické poruchy řeči

 

Lab: Úvod do prostředí Matlab

Přednáška 01

 

 

 

 

 

 

Cvičení 01

2

12-10-2017

 

 

 

 

12-10-2017

Úvod do statistiky

Základní statistické parametry

Pravděpodobnostní distribuce

Vykreslení statistických dat

 

Lab: Úvod do statistiky

Přednáška 02

 

 

Data 02

Zadání 02

3

19-10-2017

 

 

 

 

19-10-2017

Testování hypotéz

Skupinové rozdíly

Párové testy

Velikost účinku

 

Lab: Skupinové rozdíly

Přednáška 03

 

 

Data 03

Zadání 03

4

26-10-2017

 

 

 

 

26-10-2017

Korelace

Testování normality dat

Parametrické testy

Neparametrické testy

 

Lab: Korelace

Přednáška 04

 

 

Data 04

Zadání 04

5

02-11-2017

 

 

02-1-2017

Analýza variance (ANOVA)

Post-hoc testy

 

Lab: ANOVA

Přednáška 05

 

Data 05

Zadání 05

6

09-11-2017

 

 

 

09-11-2017

Chyby I. a II. typu

Mnohočetná srovnání

Odhad velikosti vzorku

 

Lab: Odhad velikosti vzorku

Přednáška 06

 

Data 06

Zadání 06

7

16-11-2017

 

 

 

 

 

16-11-2017

Vícerozměrná ANOVA

Analýza kovariance

Multivariantní ANOVA

Ukázka řešení výzkumného projektu s využitím vícerozměrné ANOVA

 

Lab: Vícerozměrná ANOVA

Přednáška 07

 

 

 

 

Data 07

Zadání 07

8

23-11-2017

 

 

23-11-2017

Modely

Regresní analýza

 

Lab: Regresní analýza

Přednáška 08

 

Data 08

Zadání 08

9

30-11-2017

 

 

 

 

30-11-2017

Klasifikátory

Logistická regrese

Lineární diskriminační analýza

Support vector machine (SVM)

 

Lab: Klasifikátory

Přednáška 09

 

 

Data 09

Zadání 09

10

07-12-2017

 

 

 

 

07-12-2017

Strojové učení

Ukázka strojového učení s využitím SVM

Validace modelu

Míry hodnocení klasifikace

 

Lab: Trénování modelu

Přednáška 10

 

 

Data 10

Zadání 10

11

14-12-2017

 

 

 

14-12-2017

Shlukování

K-means

EM algoritmus

 

Lab: Shlukování

Přednáška 11

 

 

Data 11

Zadání 11

12

21-12-2017

 

Konzultace semestrálních prací

Rezerva

 

 

13

04-01-2018

 

 

 

 

 

04-01-2017

Redukce dat

Analýza hlavních komponent (PCA)

 

Interpretace dat

„Jak sepsat a prodat výsledky své práce“

 

Lab: Konzultace semestrálních prací

Přednáška 12

 

 

 

 

 

14

11-01-2018

 

Prezentace semestrálních prací

 

 

 

 

 

Termíny zkoušek (předpokládané)

                       Datum,                         hodina,             místnost

Den,                 18. leden 2017,             14:00,              405

Den,                 1. únor 2017,                14:00,              405

Den,                 15. únor 2017,             14:00,              405


Poslední změna: 3. ledna, 2018

 

 

Contact:
Czech Technical University in Prague, Faculty of Electrical Engineering
Department of Circuit Theory
Technicka 2, 166 27 Prague 6, Czech Republic
Phone: +420 2435 2236, e-mail: cmejla at fel.cvut.cz