Předmět Pokročilé metody analýzy dat v neurovědách (DSAN02)

Na serveru studentino.cz naleznete nejrůznější studijní materiály: zápisky z přednášek nebo cvičení, vzorové testy, seminární práce, domácí úkoly a další z předmětu DSAN02 - Pokročilé metody analýzy dat v neurovědách, Lékařská fakulta, Masarykova univerzita (MU).

Materiál	Typ	Datum	Počet stažení

Cíl

Cílem předmětu je prohloubit teoretické a praktické znalosti analýzy dat jednotlivých studentů 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, R a MATLAB, které jsou na Masarykově univerzitě volně dostupné. Po absolvování předmětu budou studenti schopni:• správně připravit data pro vícerozměrnou analýzu• korektně vícerozměrná data popsat a vizualizovat• zvolit vhodnou metriku vzdálenosti či podobnosti• vybrat a aplikovat adekvátní shlukovací metodu• redukovat a transformovat vícerozměrná data pomocí metod ordinační analýzy• klasifikovat data pomocí různých metod diskriminační analýzy• vyhodnotit úspěšnost klasifikace• interpretovat výsledky získané prostřednictvím pokročilých vícerozměrných metod

Osnova

1. Úvod do pokročilé vícerozměrné analýzy dat: Význam a cíle vícerozměrné analýzy dat. Příklady využití vícerozměrných analýz. Datová matice a značení. Tabulkové a grafické zpracování vícerozměrných dat.2. Vícerozměrné statistické testy a rozložení: Vícerozměrné charakteristiky – vícerozměrný průměr, kovarianční matice, matice korelačních koeficientů. Vícerozměrné normální rozdělení. Vícerozměrný t-test. Vícerozměrná analýza rozptylu. Transformace a jiné úpravy vícerozměrných dat.3. Podobnosti a vzdálenosti ve vícerozměrném prostoru: Metriky pro určení vzdálenosti – Euklidova, Hammingova, Mahalanobisova apod. Metriky pro určení podobnosti – Tanimotův, Jaccardův či Sokalův-Michenerův koeficient podobnosti. Asociační matice.4. Shluková analýza: Podstata a cíle shlukové analýzy dat. Shluková analýza hierarchická – hierarchické aglomerativní shlukování (metoda nejbližšího souseda (nearest neighbor clustering), metoda nejvzdálenějšího souseda (furthest neighbor clustering), metoda průměrné vazby (average linkage clustering), centroidová metoda (centroid method), Wardova metoda (Ward‘s method)), hierarchické divizivní shlukování. Shluková analýza nehierarchická – metoda k-průměrů (k-means clustering), metoda x průměrů (x-means clustering), metoda x-medoidů (partitioning around medoids). Identifikace optimálního počtu shluků.5. Ordinační analýzy I: Principy redukce dimenzionality dat. Selekce a extrakce proměnných. Analýza hlavních komponent (principal component analysis, PCA). Faktorová analýza (factor analysis, FA).6. Ordinační analýzy II: Analýza nezávislých komponent (independent component analysis, ICA). Přehled dalších metod ordinační analýzy – korespondenční analýza (correspondence analysis, CA), vícerozměrné škálování (multidimensional scaling, MDS), redundanční analýza (redundancy analysis, RDA), kanonická korelační analýza (canonical correlation analysis, CCorA).7. Klasifikace I: Principy a cíle klasifikace. Diskriminační analýza pomocí diskriminačních funkcí – Bayesův klasifikátor (Bayes classifier). Diskriminační analýza pomocí minimální vzdálenosti. Diskriminační analýza pomocí hranic – Fisherova lineární diskriminační analýza (Fisher’s linear discriminant analysis, LDA). Souvislost lineární diskriminační analýzy s logistickou regresí.8. Klasifikace II: Diskriminační analýza pomocí hranic – metoda podpůrných vektorů (support vector machines, SVM). Přehled dalších klasifikačních metod – klasifikační stromy a lesy, neuronové sítě. Hodnocení úspěšnosti klasifikace – křížová validace (cross-validation), srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání dvou a více klasifikátorů.

Literatura

• HEBÁK, Petr. Vícerozměrné statistické metody (1). Informatorium, Praha. 2004, 239 s., ISBN 8073330253• THEODORIDIS, S. et al., 2010: Introduction to pattern recognition: a MATLAB approach. Academic Press, Amsterdam, 219 pp., ISBN 9780123744869• DUDA R. O., HART P. E., STORK D. G., 2000: Pattern Classification. Wiley-Interscience, New York, 680 pp., ISBN 0471056693• JOHNSON, R. et al., 2007: Applied multivariate statistical analysis. 6th ed. Prentice Hall, Upper Saddle River, N.J., 773 pp., ISBN 9780135143506• BISHOP C., 2006: Pattern Recognition and Machine Learning. Springer, New York, 738 pp., ISBN 0387310738

Požadavky

DSAN01 Analýza dat pro Neurovědy Předpokladem je znalost základních metod a principů biostatistiky a analýzy dat. Doporučuje se předchozí absolvování kurzu DSAN01 Analýza dat pro Neurovědy.

Garant

doc. RNDr. Ladislav Dušek, Ph.D.

Vyučující

doc. RNDr. Ladislav Dušek, Ph.D.RNDr. Eva JanoušováRNDr. Simona LittnerováMgr. et Mgr. Petr Dluhoš