Data Science 1 - NMFP406

• Anglický název: Data Science 1
• Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2022
• Semestr: letní
• E-Kredity: 3
• Rozsah, examinace: letní s.:2/0, Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: angličtina, čeština
• Způsob výuky: prezenční
• Garant: doc. RNDr. Michal Pešta, Ph.D.
• Vyučující: doc. RNDr. Michal Pešta, Ph.D.
• Třída: M Mgr. FPM; M Mgr. FPM > Povinné
• Kategorizace předmětu: Matematika > Finanční a pojistná matematika
• Prerekvizity : {Alespoň jeden kurz z oblasti lineární regrese}
• Neslučitelnost : NMFM404
• Záměnnost : NMFM404
• Je neslučitelnost pro: NMFM404
• Je záměnnost pro: NMFM404

Anotace

čeština

Strojové učení + statistická inference = statistické učení. Metody statistického učení pro kategoriální (neuspořádaná i uspořádaná), nominální (diskrétní i spojitá), useknutá, cenzorovaná, extremální a clusterovaná data. Modelování (nejen) finančních, ekonomických a pojišťovnických procesů. Praktické úlohy a problémy z ekonometrie, testování modelů, odhadování parametrů, predikce ve stochastických modelech a jejich diagnostika. Výpočetně náročné stochastické techniky.

Poslední úprava: Branda Martin, doc. RNDr., Ph.D. (05.12.2020)

angličtina

Machine learning + statistical inference = statistical learning. Methods of statistical learning for categorical (unordered and ordered), nominal (discrete and continuous), truncated, censored, extremal, and clustered data. Modeling (not only) financial, economic, and insurance processes. Practical exercises and problems from econometrics, model testing, parameter estimation, prediction in stochastic models and their diagnostics. Computational demanding stochastic techniques.

Poslední úprava: Branda Martin, doc. RNDr., Ph.D. (05.12.2020)

Literatura

čeština

[1] Peter Dalgaard: Introductory statistics with R. Birkhäuser, 2002.

[2] David W. Hosmer and Stanley Lemeshow: Applied Logistic Regression (Second edition). Wiley, 2000.

[3] John H. Maindonald, John Braun: Data analysis and graphics using R: an example-based approach (Third edition). Cambridge University Press, 2010.

[4] David Ruppert: Statistics and finance: An introduction. Springer, 2004.

[5] William N. Venables, Brian D. Ripley: Modern applied statistics with S. Birkhäuser, 2002.

[6] Gareth James, Diana Witten, Trevor Hastie, and Robert Tibshirani: An Introduction to Statistical Learning (with Applications in R). Springer, 2013.

[7] Christian Bluhm, Ludger Overbeck, and Christoph Wagner: Introduction to Credit Risk Modeling (Second edition). Chapman & Hall, 2010.

Poslední úprava: Pešta Michal, doc. RNDr., Ph.D. (05.12.2020)

Metody výuky

čeština

Přednáška.

Poslední úprava: Zichová Jitka, RNDr., Dr. (03.06.2022)

angličtina

Lecture.

Poslední úprava: Zichová Jitka, RNDr., Dr. (03.06.2022)

Sylabus

čeština

1. Robustní regrese. 2. Logistická regrese. 3. Multinomická regrese. 4. Poissonovská regrese. 5. Useknutá a nafouknutá data. 6. Analýza přežití. 7. Analýza panelových/longitudinálních dat.

Poslední úprava: Pešta Michal, doc. RNDr., Ph.D. (05.12.2020)

angličtina

1. Robust regression. 2. Logistic regression. 3. Multinomial regression. 4. Poisson regression. 5. Truncated and inflated data. 6. Survival analysis. 7. Analysis of panel/longitudinal data.

Poslední úprava: Pešta Michal, doc. RNDr., Ph.D. (05.12.2020)