|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KMA / STAV2
:
Popis předmětu
Pracoviště / Zkratka
|
KMA
/
STAV2
|
Akademický rok
|
2024/2025
|
Akademický rok
|
2024/2025
|
Název
|
Výpočtová statistika 2
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
6
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
3
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
4 / -
|
2 / -
|
0 / -
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
0 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Letní semestr
|
Vyučovaný semestr
|
Letní semestr
|
Minimum (B + C) studentů
|
nestanoveno
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
1|2|3|4 |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ne
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
1|2|3|4 |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
Nejsou definovány
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Cílem předmětu je praktická schopnost aplikace technik na vícerozměrné statistické datové soubory a časové řady. Důraz je kladen především na praktické zpracování reálných datových souborů v jazyce R.
|
Požadavky na studenta
|
Zápočet bude udělen za zpracování a obhájení zadaných úloh na reálných datových souborech. Zkouška se skládá z praktické a ústní části.
Garantem předmětu je stanoveno, že zápočet se při opakovaném zapsání neuznává (viz čl. 24, odst. 3 SZŘ ZČU).
|
Obsah
|
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.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
Reif J. Metody matematické statistiky. 2000.
-
Základní:
Kamath C. Scientific Data Mining. 2009.
-
Doporučená:
Teetor P. R Cookbook. 2011.
-
Doporučená:
Matloff N. The Art of R Programming. 2011.
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Kontaktní výuka
|
65
|
Projekt individuální [40]
|
40
|
Příprava na zkoušku [10-60]
|
55
|
Celkem
|
160
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
ovládat základní principy teorie pravděpodobnosti a matematické statistiky |
ovládat základní principy výpočtové statistiky |
rozumět pojmům teorie časových řad a vícerozměrné statistické teorie |
rozumět základním pojmům z teorie testování hypotéz |
Odborné dovednosti - pro úspěšné zvládnutí předmětu se předpokládá, že student před zahájením výuky dokáže: |
implementovat základní simulační metody |
ovládat některý statistický SW pro statistické zpracování dat (např. Excel, Matlab, R, Mathematica nebo Statistica) |
provést jednoduché datové analýzy |
vizualizovat základní charakteristiky datových souborů |
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
bc. studium: rozpozná problém, objasní jeho podstatu, rozčlení ho na části, |
bc. studium: zvažuje možné klady a zápory jednotlivých variant řešení, včetně posouzení jejich rizik a důsledků, |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student 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 - po absolvování předmětu prokazuje student dovednosti: |
implementovat techniky pro redukci dimenze dat (faktorová analýza, PCA...) |
provést jednoduché Bayesovské testování hypotéz |
statisticky zpracovat rozsáhlé datové soubory |
vizualizovat statistické charakteristiky rozsáhlých datových souborů |
Obecné způsobilosti - po absolvování předmětu je student schopen: |
mgr. studium: plánují, podporují a řídí s využitím teoretických poznatků oboru získávání dalších odborných znalostí, dovedností a způsobilostí ostatních členů týmu, |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Ústní zkouška, |
Praktická zkouška, |
Odborné dovednosti - odborné dovednosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Test, |
Obecné způsobilosti - obecné způsobilosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Ústní zkouška, |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Přednáška založená na výkladu, |
Cvičení (praktické činnosti), |
Odborné dovednosti - pro dosažení odborných dovedností jsou užívány vyučovací metody: |
Cvičení (praktické činnosti), |
Přednáška založená na výkladu, |
Obecné způsobilosti - pro dosažení obecných způsobilostí jsou užívány vyučovací metody: |
Cvičení (praktické činnosti), |
Přednáška založená na výkladu, |
|
|
|
|