460-6031/02 – Pokročilá analýza dat (PAD)

Garantující katedraKatedra informatikyKredity10
Garant předmětudoc. Mgr. Miloš Kudělka, Ph.D.Garant verze předmětudoc. Mgr. Miloš Kudělka, Ph.D.
Úroveň studiapostgraduálníPovinnostpovinně volitelný typu B
RočníkSemestrzimní + letní
Jazyk výukyangličtina
Rok zavedení2019/2020Rok zrušení
Určeno pro fakultyFEIUrčeno pro typy studiadoktorské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
KUD007 doc. Mgr. Miloš Kudělka, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Zkouška 28+0
kombinovaná Zkouška 28+0

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

Kombinovaná forma (platnost od: 2019/2020 zimní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodů
Zkouška Zkouška  
Rozsah povinné účasti:

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2020/2021 (P0588D140004) Bioinformatika a výpočetní biologie P angličtina Ostrava povinně volitelný typu B stu. plán
2020/2021 (P0588D140004) Bioinformatika a výpočetní biologie K angličtina Ostrava povinně volitelný typu B stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku