PředmětyPředměty(verze: 945)
Předmět, akademický rok 2012/2013
   Přihlásit přes CAS
Úvod do statistické praxe - NSTP200
Anglický název: An introduction to statistical practice
Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2012 do 2012
Semestr: zimní
E-Kredity: 3
Rozsah, examinace: zimní s.:0/2, Z [HT]
Počet míst: neomezen
Minimální obsazenost: neomezen
4EU+: ne
Virtuální mobilita / počet míst pro virtuální mobilitu: ne
Stav předmětu: vyučován
Jazyk výuky: čeština
Způsob výuky: prezenční
Způsob výuky: prezenční
Garant: RNDr. Pavel Vaněček, Ph.D.
RNDr. Pavel Ranocha, Ph.D.
Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
Výsledky anket   Termíny zkoušek   Rozvrh   Nástěnka   
Anotace -
Poslední úprava: T_KPMS (25.04.2008)
Praktický pohled na tradiční i moderní statistické metody, propojování znalostí napříč statistickými předměty s důrazem na porozumění souvislostem a na vzájemný dialog. Cílem je přiblížit některé aplikace statistického modelování a mnohorozměrné statistické analýzy, metody a možnosti dobývání znalostí z dat, algoritmy strojového učení a jejich interpretaci.
Cíl předmětu -
Poslední úprava: G_M (29.05.2008)

Praktický pohled na tradiční i moderní statistické metody, propojování znalostí napříč statistickými předměty s důrazem na porozuměnísouvislostí a vzájemný dialog. Cílem je přiblížit některé aplikace statistického modelování a mnohorozměrné statistické analýzy, metody a možnosti dobývání znalostí z dat, algoritmy strojového učení a jejich interpretaci.

Literatura
Poslední úprava: T_KPMS (25.04.2008)

Berka, P.: Dobývání znalostí z databází. Academia, 2003.

Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning. Springer, 2001.

Hebák, P., Hustopecký, J.: Vícerozměrné statistické metody s aplikacemi. SNTL-Alfa, 1987.

Metody výuky -
Poslední úprava: G_M (28.05.2008)

Seminář.

Sylabus -
Poslední úprava: T_KPMS (23.05.2008)

1. Lineární regrese (multikolinearita, závislá rezidua, transformace proměnných, interpretace, vlivy proměnných, výstupy)

2. Faktorová analýza (interpretace, vizualizace)

3. Shluková analýza (příprava dat, přehled metod, popis segmentů)

4. Klasifikační algoritmy (logistická regrese, LDA, rozhodovací stromy - CART, TreeNet, Random Forest, alternativní metody)

5. Latentní třídy

6. Korespondenční analýza (kontingenční tabulky, Pearson chí-kvadrát statistiky, vícerozměrné tabulky)

7. Mnohorozměrné škálování (formulace problému, perceptuální mapy, interpretace)

8. Databázové zpracování dat (warehouse, data mart, ETL, OLAP, CRISP-DM)

9. Vizualizace dat (vícerozměrná a kategoriální data, speciální typy grafů, pravidla pro tvorbu grafů)

10. Představení používaných statistických balíků

Případové studie z praxe (marketing, telekomunikace)

Další témata dle zájmu studentů

 
Univerzita Karlova | Informační systém UK