CORE149 DATA-A: Datová analýza pro každého

Fakulta sportovních studií
jaro 2025
Rozsah
0/2/0. 3 kr. Ukončení: k.
Vyučující
Mgr. Michal Bozděch, Ph.D. (cvičící)
Mgr. Martin Sebera, Ph.D. (cvičící)
Mgr. et Mgr. Filip Zlámal, Ph.D. (cvičící)
Garance
Mgr. Michal Bozděch, Ph.D.
Katedra tělesné výchovy a společenských věd – Fakulta sportovních studií
Dodavatelské pracoviště: Katedra tělesné výchovy a společenských věd – Fakulta sportovních studií
Rozvrh seminárních/paralelních skupin
CORE149/01: Čt 15:00–16:40 E34/203 - seminární místnost, M. Bozděch
Předpoklady
TYP_STUDIA(BM) && FORMA(P)
Předmět nevyžaduje žádné striktní formální předpoklady. Pro plné využití obsahu kurzu je však vhodné, aby studenti:
- měli základní uživatelské znalosti práce s počítačem (ovládání operačního systému, práce se soubory, orientace v informačním systému),
- uměli pracovat s tabulkovým procesorem (např. MS Excel, Google Sheets) na základní úrovni,
- měli alespoň středoškolskou úroveň matematických znalostí (základy aritmetiky, práce s procenty a zlomky),
- byli ochotní aktivně se zapojovat do diskuse a zkoušet praktické úlohy v seminářích,
- nainstalovali si doporučené statistické programy (např. JASP, SPSS, MATLAB) a nosili si na semináře vlastní přenosný počítač.

Výše uvedené dovednosti a znalosti usnadní zvládnutí výuky a praktických úkolů, ale nejsou nezbytnou podmínkou pro zápis do předmětu.
Omezení zápisu do předmětu
Předmět je otevřen studentům libovolného oboru.
Předmět si smí zapsat nejvýše 30 stud.
Momentální stav registrace a zápisu: zapsáno: 8/30, pouze zareg.: 1/30, pouze zareg. s předností (mateřské obory): 0/30
Cíle předmětu
Cílem předmětu je seznámit studenty s klíčovými principy a postupy datové analýzy tak, aby ji mohli efektivně využívat ve svém oboru i v každodenním životě. Předmět je koncipován zejména pro studenty nematematických studijních programů, proto se zaměřuje na praktické ukázky a srozumitelný výklad. Studenti se naučí porozumět různým typům dat, vybrat a aplikovat vhodné analytické postupy, interpretovat výsledky a komunikovat je srozumitelnou formou. Součástí výuky jsou interaktivní ukázky více než 30 různých analýz, které reflektují jak obecné, tak oborově specifické scénáře. Předmět navazuje na obecné znalosti o zpracování a prezentaci dat, a rozšiřuje je o kritický přístup k datům a schopnost vyhodnocovat jejich kvalitu ve vztahu k výzkumným cílům. Díky mezioborovému přesahu rozvíjí kompetence, které umožní lepší spolupráci s odborníky napříč různými oblastmi. Získané dovednosti studenti využijí v navazujících předmětech zaměřených na statistické metody, výzkumné projekty či pokročilou analýzu dat, a zároveň jim pomohou lépe porozumět světu kolem sebe a podpořit jejich tvůrčí a vědeckou činnost.
Výstupy z učení
Po úspěšném absolvování předmětu „CORE149 DATA-A: Datová analýza pro každého“ bude student schopen:
- vysvětlit a aplikovat základní principy datové analýzy včetně životního cyklu - výzkumných dat,
- vybrat a použít vhodné postupy a statistické testy pro řešení konkrétních výzkumných problémů,
- interpretovat výsledky analýzy a vyvozovat z nich podložené závěry s ohledem na etiku a výzkumné cíle,
- vytvářet srozumitelné vizualizace (grafy, tabulky apod.) a prezentovat je tak, aby napomáhaly efektivní komunikaci,
- kriticky zhodnotit kvalitu zpracovaných dat a diskutovat závěry s kolegy z různých oborů i s veřejností.
Osnova
  • Osnova:
  • 1. Úvod do předmětu
  • • Obsah a cíle předmětu (podmínky ukončení)
  • • Historie datové analýzy
  • • Teorie argumentace
  • • Dobrá a špatná praxe v rámci datové analýzy
  • • Aktuální trendy a budoucnost datové analýzy
  • • Volně dostupné softwary pro analýzu dat
  • 2. Životní cyklus dat ve výzkumu
  • • Projektování, sběr, čištění, analýza a interpretace, sdílení dat
  • • Typy proměnných a dat
  • • Deskriptivní statistika: role, účel, a typy
  • • Analýza síly a sample size
  • • Vizualizace dat podle účelu a typů dat
  • 3. Testování statistických hypotéz
  • • Historie a účel
  • • Druhy hypotéz
  • • Hladina statistické významnosti a vztah ke konfidenčním intervalům
  • • Chyba prvního a druhého typu, senzitivita a specificita testu
  • 4. Míra asociace
  • • Účel a dělení podle výzkumných problémů a typů dat
  • • Přehled vhodných testů a význam testování v širším kontextu
  • • Postup výpočtu pro kategorická data: Poměr šancí test, Relativní risk, Chí-kvadrát (tři varianty)
  • • Postup výpočtu pro metrická data: Pearsonův a Spearmanův korelační koeficient, testování předpokladů
  • • Interpretace a vizualizace výsledků
  • 5. Testy pro určení rozdílů mezi středními hodnotami
  • • Účel a dělení podle výzkumných problémů a typů dat
  • • Přehled testů a význam testování rozdílů středních hodnot v širším kontextu
  • • Postup výpočtu tří různých t-testu a jeho neparametrických alternativ
  • • Postup výpočtu ANOVA, ANCOVA a MANCOVA testů a jejich párových a neparametrických alternativ
  • • Interpretace a vizualizace výsledků
  • 6. Regresní analýza
  • • Účel a dělení podle výzkumných problémů a typů dat
  • • Přehled testů a význam testování v širším kontextu
  • • Postup výpočtu: Lineární, logistická/probit a vícenásobná lineární regrese, testování předpokladů
  • • Interpretace a vizualizace výsledků
  • 7. Mix-Design analysis
  • • Účel a dělení podle výzkumných problémů a typů dat
  • • Přehled testů a význam testování v širším kontextu
  • • Postup výpočtu binominální logistické regrese s kategorickými prediktory, multinominální logistické regrese, Faktoriální ANOVA, Mixed-Design ANOVA, Faktoriální MANOVA, Mixed-Design MANOVA, testování předpokladů
  • • Interpretace a vizualizace výsledků
  • 8. Analýza přežití
  • • Účel a dělení podle výzkumných problémů a typů dat
  • • Parametrický, semi-parametrický a neparametrický model
  • • Přehled testů a význam testování v širším kontextu
  • • Postup výpočtu: Tabulky života, Kaplan-Meierova analýza, Míra přežití a funkce ohrožení, Coxova regresní analýza proporcionálních rizik, Parametrické analytické modely přežití, Stromy přežití, testování předpokladů
  • • Interpretace a vizualizace výsledků
  • 9. Shluková a Faktorová analýza
  • • Účel a dělení podle výzkumných problémů a typů dat
  • • Hierarchická a nehierarchická Shluková analýza
  • • Explorační a Konfirmační faktorová analýza
  • • Přehled testů a význam testování v širším kontextu
  • • Postup výpočtu Shlukové (k-means, nearest neighbor) a Faktorové analýzy (hlavních komponent)
  • • Interpretace a vizualizace výsledků
  • 10. Bayesovská statistika
  • • Účel a dělení podle výzkumných problémů a typů dat
  • • Přehled testů a význam testování v širším kontextu
  • • Postup výpočtu
  • • Interpretace a vizualizace výsledků
  • 11. Neuronové sítě
  • • Druhy umělé inteligence, typy strojového učení a neuronových sítí a jejich prvky
  • • Programovací jazyky
  • • Příklady z praxe
  • • Ukázka přípravy dat
  • • Postup generování a ladění (fine-tuning) modelu
  • • Intepretace a vizualizace vygenerovaného modelu
  • 12. Zneužití datové analýzy
  • • Příklady z praxe
  • • Metody pro redukci zneužití datové analýzy
  • • Závěr a shrnutí předmětu
Literatura
    doporučená literatura
  • Goss-Sampson, M. (2019). Statistical analysis in JASP: A guide for students (5th ed.). ).
  • RABUŠIC, Ladislav, Petr SOUKUP a Petr MAREŠ. Statistická analýza sociálněvědních dat (prostřednictvím SPSS). 2., přepracované vyd. Brno: Masarykova univerzita, 2019, 573 s. ISBN 978-80-210-9247-1. URL info
    neurčeno
  • KIM, Phil. MATLAB deep learning : with machine learning, neural networks and artificial intelligence. New York: Apress, 2017, xvii, 151. ISBN 9781484228449. info
Výukové metody
Výuka probíhá formou seminářů, při nichž studenti získají teoretický rámec k dané problematice a zároveň si jej prakticky osvojí na předpřipravených datech dostupných v informačním systému. Každý seminář zahrnuje diskusi nad teoretickými východisky, společnou analýzu dat a krátký písemný test (KvIS), jehož úspěšné splnění (alespoň 60 % bodů ze všech KvIS testů) je podmínkou pro získání zápočtu. Během semestru studenti také třikrát vyplní zpětnovazební dotazník, který slouží k vyhodnocení efektivity výuky a k případnému přizpůsobení obsahu či forem práce s daty.
Metody hodnocení
Během semestru je vyžadována aktivní účast na seminářích, přičemž studenti mohou mít maximálně tři neomluvené absence; každá další musí být řádně omluvena podle Studijního a zkušebního řádu MU. Ověření získaných znalostí probíhá především formou krátkých písemných testů (KvIS) na konci každého semináře. Pro úspěšné splnění průběžného hodnocení je nutné dosáhnout alespoň 60 % z celkového počtu bodů. Studenti, kteří tuto podmínku nesplní, mohou absolvovat závěrečnou zkoušku (kolokvium). V jejím průběhu náhodně obdrží konkrétní zadání, na jehož základě musí zvolit vhodný test, provést datovou analýzu, interpretovat výsledky a vysvětlit postup. Při této zkoušce je povoleno využívat pouze vlastní poznámky a studijní materiály; není dovoleno používat internet ani nástroje umělé inteligence.
Náhradní absolvování
Předmět je možné absolvovat nestandardním způsobem v~rámci individuálního studijního plánu, který si studenti domluví s~garantem předmětu před zahájením nebo na začátku semestru a vloží do ISu.
Informace učitele
https://is.muni.cz/auth/predmet/fsps/jaro2025/CORE149
Mgr. Michal Bozděch, Ph.D.
učo 360366
Odborný asistent EDUC FSpS MU
Místnost D33/333
Kamenice 5 — D33
Fakulta sportovních studií
Katedra tělesné výchovy a společenských věd
michal.bozdech@fsps.muni.cz
https://is.muni.cz/auth/osoba/360366
Studijní opora
https://is.muni.cz/auth/el/fsps/jaro2025/CORE149/index.qwarp
Další komentáře
Studijní materiály
  • Statistika zápisu (nejnovější)
  • Permalink: https://is.muni.cz/predmet/fsps/jaro2025/CORE149