460-6031/01 – Pokročilá analýza dat (PAD)
| Garantující katedra | Katedra informatiky | Kredity | 10 |
| Garant předmětu | doc. Mgr. Miloš Kudělka, Ph.D. | Garant verze předmětu | doc. Mgr. Miloš Kudělka, Ph.D. |
| Úroveň studia | postgraduální | Povinnost | povinně volitelný typu B |
| Ročník | | Semestr | zimní + letní |
| | Jazyk výuky | čeština |
| Rok zavedení | 2019/2020 | Rok zrušení | |
| Určeno pro fakulty | FEI | Určeno pro typy studia | doktorské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem kurzu je poskytnout posluchači rozšířený pohled na analýzu dat, realizaci hlubších analýz a výhodnocení zdrojových datových sad s ohledem na interpretaci ve zvolené cílové oblasti. Dále se individuálně prohloubí tyto znalosti a dovednosti směrem, který je v souladu se specifickým zaměřením jeho doktorandského studia a disertační práce.
Vyučovací metody
Semináře
Individuální konzultace
Projekt
Ostatní aktivity
Anotace
Tento předmět ve své první části poskytuje studentům nezbytné základní i pokročilé informace o algoritmech, typických algoritmických problémech a jejich složitosti. Tato část obsahuje také použití základních i pokročilejších programovacích technik, programovacích a skriptovacích jazyků. Ve druhé části budou představeny analýzy vektorových a síťových dat včetně jednoduchých i složitějších algoritmů používaných v obou oblastech. Studenti budou seznámeni s různými nástroji a knihovnami vhodnými pro řešení úloh zaměřených především na analýzu biomedicínských dat.
Povinná literatura:
• Levitin, A. (2012). Introduction to the design & analysis of algorithms. Boston: Pearson.
• Witten, I. H., Frank, E., Hall, M. A., Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques (Fourth Edition). Morgan Kaufmann Series in Data Management Systems.
Doporučená literatura:
• Libeskind-Hadas, R., Bush, E. (2014). Computing for biologists: Python programming and principles Cambridge University Press.
• Barabási, A. L. (2016). Network science. Cambridge university press.
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Kontrola plnění zadaných úkolů v rámci pravidelných konzultací. V případě, že součástí úkolů studenta bude rovněž publikační činnost, bude příslušný článek v rámci kurzu odprezentován.
E-learning
Další požadavky na studenta
Student vypracovává a obhajuje práci na zadané téma.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
• Algoritmus. Strategie řešení problémů pomocí algoritmů, typy řešených problémů.
• Algoritmy třídění a vyhledávání.
• Lineární a stromové datové struktury.
• Složitost algoritmů a složitost problémů.
• Vektorová data a jejich algebraické a geometrické interpretace.
• Shlukovací algoritmy, k-means a hierarchické shlukování.
• Klasifikační algoritmy, Naive Bayes, k-nejbližších sousedů.
• Síťová data a jejich reprezentace.
• Algoritmy pro transformaci vektorových dat na síťová data.
• Měření vlastností sítí, algoritmy a interpretace.
• Algoritmy na detekci shluků v sítích.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky
Předmět neobsahuje žádné hodnocení.