Data Science 3 - NMFP535

• Anglický název: Data Science 3
• Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2024
• Semestr: zimní
• E-Kredity: 5
• Rozsah, examinace: zimní s.:2/2, Z+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
• Je zajišťováno předmětem: NMST539
• Garant: prof. RNDr. Ivan Mizera, CSc.
• Třída: M Mgr. FPM; M Mgr. FPM > Povinně volitelné
• Kategorizace předmětu: Matematika > Finanční a pojistná matematika
• Neslučitelnost : NMST539
• Záměnnost : NMST539
• Je neslučitelnost pro: NMST539
• Je prerekvizitou pro: NMFP556

Anotace

čeština

Úvod do tradičních a moderních metod mnohorozměrné statistiky.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (01.06.2023)

angličtina

An introduction to traditional and modern methods of multivariate statistics.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (01.06.2023)

Cíl předmětu

čeština

Seznámit studenty se základními metodami mnohorozměrné statistiky.

Poslední úprava: Hlávka Zdeněk, doc. RNDr., Ph.D. (08.12.2020)

angličtina

To acquaint students with basic methods of multivariate statistics.

Poslední úprava: Hlávka Zdeněk, doc. RNDr., Ph.D. (08.12.2020)

Podmínky zakončení předmětu

čeština

Podmínky pro získání zápočtu: účast na cvičení (max 3 absence) a průběžné řešení zadaných úkolů (získání alespoň 36 kreditů, kde jeden vyřešený příklad znamená spravidla jeden kredit). Charakter zápočtu neumožňuje jeho opakování. Získání zápočtu je nutná podmínka pro účast na zkoušce. Zkouška bude písemnou formou a kromě jednoduchých otázek podobných těm, které se probíraly na cvičení, bude obsahovat taky otázky z principů, motivací, algoritmů a aplikací technik probíraných na přednáškách.

Poslední úprava: Mizera Ivan, prof. RNDr., CSc. (15.10.2023)

angličtina

Requirements for obtaining the credit (zápočet): participation in the exercises (max 3 absences) and continual solving of the assigned problems (acquiring at least 36 credits, where one solved problem typically amount to one credit). The nature of these requirements precludes any possibility of additional attempts to obtain the class credit. Acquired credit is a condition for attending the examination, which will be in the written form, and apart from simple questions similar to those covered in the exercises will contain also questions regarding principles, motivations, algorithms, and applications of the techniques covered in the lectures.

Poslední úprava: Mizera Ivan, prof. RNDr., CSc. (15.10.2023)

Literatura

čeština

Bouveyron C., Celeux G., Murphy T.B., Raftery A. E.: Model-based Clustering and Classification for Data Science: with Applications in R. Cambridge University Press, 2019.

Härdle, W. K., Hlávka, Z.: Multivariate Statistics: Exercises and Solutions, 2nd edition, Springer, 2015.

Härdle W. K., Simar L.: Applied Multivariate Statistical Analysis, 4th edition, Springer, 2015.

Mardia K.V., Kent J.T., Bibby J.M.: Multivariate Analysis. Academia Press. London, 1979.

Rao C.R.: Linear Statistical Inference and Its Applications. 2nd edition. Wiley. New York, 1973. (existuje český překlad)

Venables W.N. Ripley B.D.: Modern Applied Statistics with S, 4th edition, Springer, 2002.

Poslední úprava: Hlávka Zdeněk, doc. RNDr., Ph.D. (08.12.2020)

Metody výuky

čeština

Přednáška + cvičení.

Poslední úprava: Zichová Jitka, RNDr., Dr. (29.05.2022)

angličtina

Lecture + exercises.

Poslední úprava: Zichová Jitka, RNDr., Dr. (29.05.2022)

Požadavky ke zkoušce

čeština

Zkouška bude písemnou formou; bude sestávat z víc otázek odpovídajících sylabu sylabu předmětu v rozsahu, který byl prezentován na přednášce nebo na cvičení nebo na přednášce. Důraz bude na správném pochopení statistické (t.j. data-analytické) podstaty a interpretace probíraných metod.

Poslední úprava: Zichová Jitka, RNDr., Dr. (19.05.2024)

angličtina

Written exam.

Poslední úprava: Zichová Jitka, RNDr., Dr. (19.05.2024)

Sylabus

čeština

1. Mnohorozměrné normální rozdělení.

2. Wishartovo a Hotellingovo rozdělení.

3. Odhady a testování.

4. Hlavní komponenty a faktorová analýza.

5. Kanonické korelace, korespondenční analýza.

6. Diskriminační a shluková analýza.

7. Metody založené na projekcích, hloubka dat.

8. Použití standardních programů.

Poslední úprava: Branda Martin, doc. RNDr., Ph.D. (09.12.2020)

angličtina

1. Multivariate normal distribution.

2. Wishart and Hotelling distribution.

3. Multivariate statistical inference.

4. Principal components and factor analysis.

5. Canonical correlations, correspondence analysis.

6. Discriminant and cluster analysis.

7. Projections-based methods, data depth.

8. Statistical software.

Poslední úprava: Branda Martin, doc. RNDr., Ph.D. (09.12.2020)

Vstupní požadavky

čeština

základní znalosti lineární algebry, teorie pravděpodobnosti a matematické statistiky

Poslední úprava: Zichová Jitka, RNDr., Dr. (19.05.2024)

angličtina

basic knowledge of linear algebra, theory of probability, and mathematical statistics

Poslední úprava: Zichová Jitka, RNDr., Dr. (19.05.2024)