Analýza experimentálních dat (B2M31AED)

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.

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]

Základní informace k předmětu


Garant a přednášející: Ing. Jan Rusz, Ph.D. (ruszjan at fel.cvut.cz)

Vedení laboratoře: Ing. Jan Hlavnička (hlavnjan at fel.cvut.cz)

Rozvhr:
  • Přednášky (T2:A4-405): čtvrtek 12:45-14:15
  • Cvičení (T2:A4-405): čtvrtek 14:30-16:00

    Pravidla pro hodnocení a podmínky udělení zápočtu


    PODMÍNKOU ZÁPOČTU JE VYPRACOVÁNÍ A ODPREZENTOVÁNÍ SEMESTRÁLNÍ PRÁCE
  • Zadání semestrální práce je pro každou dvojici studentů individuální.

    Celkové hodnocení zkoušky se bude skládat:
  • 20 bodů - práce na cvičeních v semestru (10 cvičení x 2 body)
  • Bonus max 20 bodů - termínované domácí bonusové úlohy bodované dle obtížnosti
  • 30 bodů - kvalita zpracování a obsah odevzdané semestrální práce
  • 10 bodů - prezentace výsledků (poslední týden výuky)
  • 10 bodů - posudek na semestrální práci zadaného kolegy
  • 30 bodů - zkouška (3 otázky x 3 body)

    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]

    Varianty semestrálních prací


  • Varianta A: Muhammad Ali [ZIP]
  • Varianta B: Analýza chůze u roztroušené sklerózy [ZIP]
  • Varianta C: Řeč a porucha chování v REM spánku [ZIP]
  • Varianta D: Kontrola hlasitosti u Huntingtonovy nemoci [ZIP]
  • Varianta E: Pohyby očí a stárnutí [ZIP]
  • Varianta F: Pohyby očí a porucha chování v REM spánku [ZIP]
  • Varianta G: Ovlivnění nazality poruchou basálních ganglií [ZIP]

    [Výběr variant pro skupiny]

    Termíny zkoušek


    Budou vyhlášeny před koncem semestru.

    Studijní materiály


    1. týden (4.10.2018):
  • Úvod do analýzy experimentálních dat [PDF]
  • Seznámení s daty z oblasti zpracování signálů v neurovědách [PDF]

    Cvičení: Úvod do prostředí Matlab [m-file]

    2. týden (11.10.2018):
  • Úvod do statistiky (základní statistické parametry, pravděpodobnostní distribuce, vykreslení statistických dat) [PDF] [Matlab code]

    Cvičení: Úvod do statistiky [PDF] [Data]

    3. týden (18.10.2018):
  • Testování hypotéz (skupinové rozdíly, párové testy, velikost účinku) [PDF] [Matlab code]

    Cvičení: Skupinové rozdíly [PDF] [Data]

    4. týden (25.10.2018):
  • Korelace (Testování normality dat, parametrické vs. neparametrické testy) [PDF] [Matlab code]

    Cvičení: Korelace [PDF] [Data]

    5. týden (1.11.2018):
  • Analýza variance (ANOVA) (Post-hoc testy) [PDF]

    Cvičení: ANOVA [PDF] [Data]

    6. týden (8.11.2018):
  • Chyby I. a II. typu (mnohočetná srovnání, odhad velikosti vzorku) [PDF] [Matlab code]

    Cvičení: Odhad velikosti vzorku [PDF] [Data]

    7. týden (15.11.2018):
  • Vícerozměrná ANOVA (analýza kovariance, multivariantní ANOVA, ukázka řešení výzkumného projektu s využitím vícerozměrné ANOVA) [PDF] [Matlab code]

    Cvičení: Vícerozměrná ANOVA [PDF] [Data]

    8. týden (22.11.2018):
  • Modely (regresní analýza) [PDF] [Matlab code]

    Cvičení: Regresní analýza [PDF] [Data]

    9. týden (29.11.2018):
  • Klasifikátory (logistická regrese, lineární diskriminační analýza, support vector machine) [PDF] [Matlab code]

    Cvičení: Klasifikátory [PDF] [Data]

    10. týden (06.12.2018):
  • Strojové učení (ukázka strojového učení s využitím SVM, validace modelu, míry hodnocení klasifikace) [PDF] [Matlab code]

    Cvičení: Trénování modelu [PDF] [Data]

  • 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