Informace o předmětu

Bi0034 Analýza a klasifikace dat

Rozsah

2/1/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

RNDr. Eva Koriťáková, Ph.D. (přednášející)
prof. Ing. Jiří Holčík, CSc. (přednášející)
RNDr. Roman Vyškovský, Ph.D. (přednášející)
Mgr. Tereza Jurková (cvičící)

Garance

prof. Ing. Jiří Holčík, CSc.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: RNDr. Eva Koriťáková, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

St 8:00–10:50 D29/347-RCX2

Předpoklady

Je doporučeno předchozí absolvování předmětu Bi8600 Vícerozměrné metody nebo Bi8601 Pokročilé statistické metody.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)

Cíle předmětu

Cílem předmětu je seznámit studenty s účelem, principy a jednotlivými metodami analýzy a klasifikace dat. V průběhu kurzu studenti získají nejen základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace dat s důrazem na zpracování medicínských a biologických dat, ale osvojí si i aplikaci jednotlivých metod na reálná data a naučí se interpretovat dosažené výsledky.

Výstupy z učení

Po absolvování předmětu je student schopen:
- zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků;
- redukovat a transformovat vícerozměrná data pomocí pokročilých metod ordinační analýzy;
- klasifikovat data pomocí různých metod diskriminační analýzy a jiných pokročilých metod;
- navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností;
- interpretovat dosažené výsledky včetně vyhodnocení úspěšnosti klasifikace.

Osnova

• 1. Úvod do analýzy a klasifikace dat.
• 2. Klasifikace pomocí diskriminačních funkcí.
• 3. Klasifikace podle minimální vzdálenosti – prohloubení znalostí o metrikách pro určení vzdálenosti a podobnosti.
• 4. Klasifikace podle minimální vzdálenosti.
• 5. Klasifikace pomocí hranic v obrazovém prostoru – Fisherova lineární diskriminační analýza (FLDA).
• 6. Klasifikace pomocí hranic v obrazovém prostoru – Metoda podpůrných vektorů (SVM).
• 7. Sekvenční klasifikace.
• 8. Hodnocení klasifikátorů – křížová validace, srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání úspěšnosti klasifikace dvou a více klasifikátorů.
• 9. Extrakce proměnných – prohloubení znalostí o analýze hlavních komponent (PCA).
• 10. Pokročilejší metody extrakce proměnných – metody varietního učení, metoda nezávislých komponent (ICA).
• 11. Selekce proměnných.
• 12. Praktické ukázky analýzy a klasifikace dat.

Literatura

• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky distanční formou a prezenční cvičení. Důraz je kladen na pochopení základních principů popisovaných metod a algoritmů.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

RNDr. Eva Koriťáková, Ph.D. (přednášející)
prof. Ing. Jiří Holčík, CSc. (přednášející)
RNDr. Roman Vyškovský, Ph.D. (přednášející)

Garance

prof. Ing. Jiří Holčík, CSc.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: RNDr. Eva Koriťáková, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

St 8:00–10:50 D29/347-RCX2

Předpoklady

Je doporučeno předchozí absolvování předmětu Bi8600 Vícerozměrné metody nebo Bi8601 Pokročilé statistické metody.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)

Cíle předmětu

Cílem předmětu je seznámit studenty s účelem, principy a jednotlivými metodami analýzy a klasifikace dat. V průběhu kurzu studenti získají nejen základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace dat s důrazem na zpracování medicínských a biologických dat, ale osvojí si i aplikaci jednotlivých metod na reálná data a naučí se interpretovat dosažené výsledky.

Výstupy z učení

Po absolvování předmětu je student schopen:
- zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků;
- redukovat a transformovat vícerozměrná data pomocí pokročilých metod ordinační analýzy;
- klasifikovat data pomocí různých metod diskriminační analýzy a jiných pokročilých metod;
- navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností;
- interpretovat dosažené výsledky včetně vyhodnocení úspěšnosti klasifikace.

Osnova

• 1. Úvod do analýzy a klasifikace dat.
• 2. Klasifikace pomocí diskriminačních funkcí.
• 3. Klasifikace podle minimální vzdálenosti – prohloubení znalostí o metrikách pro určení vzdálenosti a podobnosti.
• 4. Klasifikace podle minimální vzdálenosti.
• 5. Klasifikace pomocí hranic v obrazovém prostoru – Fisherova lineární diskriminační analýza (FLDA).
• 6. Klasifikace pomocí hranic v obrazovém prostoru – Metoda podpůrných vektorů (SVM).
• 7. Sekvenční klasifikace.
• 8. Hodnocení klasifikátorů – křížová validace, srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání úspěšnosti klasifikace dvou a více klasifikátorů.
• 9. Extrakce proměnných – prohloubení znalostí o analýze hlavních komponent (PCA).
• 10. Pokročilejší metody extrakce proměnných – metody varietního učení, metoda nezávislých komponent (ICA).
• 11. Selekce proměnných.
• 12. Praktické ukázky analýzy a klasifikace dat.

Literatura

• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky distanční formou prostřednictvím Microsoft Teams podporované Power Pointovými prezentacemi. Důraz je kladen na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

RNDr. Eva Koriťáková, Ph.D. (přednášející)
prof. Ing. Jiří Holčík, CSc. (přednášející)
RNDr. Roman Vyškovský, Ph.D. (přednášející)

Garance

prof. Ing. Jiří Holčík, CSc.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: RNDr. Eva Koriťáková, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

St 8:00–10:50 D29/347-RCX2

Předpoklady

Je doporučeno předchozí absolvování předmětu Bi8600 Vícerozměrné metody nebo Bi8601 Pokročilé statistické metody.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)

Cíle předmětu

Cílem předmětu je seznámit studenty s účelem, principy a jednotlivými metodami analýzy a klasifikace dat. V průběhu kurzu studenti získají nejen základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace dat s důrazem na zpracování medicínských a biologických dat, ale osvojí si i aplikaci jednotlivých metod na reálná data a naučí se interpretovat dosažené výsledky.

Výstupy z učení

Po absolvování předmětu je student schopen:
- zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků;
- redukovat a transformovat vícerozměrná data pomocí pokročilých metod ordinační analýzy;
- klasifikovat data pomocí různých metod diskriminační analýzy a jiných pokročilých metod;
- navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností;
- interpretovat dosažené výsledky včetně vyhodnocení úspěšnosti klasifikace.

Osnova

• 1. Úvod do analýzy a klasifikace dat.
• 2. Klasifikace pomocí diskriminačních funkcí.
• 3. Klasifikace podle minimální vzdálenosti – prohloubení znalostí o metrikách pro určení vzdálenosti a podobnosti.
• 4. Klasifikace podle minimální vzdálenosti.
• 5. Klasifikace pomocí hranic v obrazovém prostoru – Fisherova lineární diskriminační analýza (FLDA).
• 6. Klasifikace pomocí hranic v obrazovém prostoru – Metoda podpůrných vektorů (SVM).
• 7. Sekvenční klasifikace.
• 8. Hodnocení klasifikátorů – křížová validace, srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání úspěšnosti klasifikace dvou a více klasifikátorů.
• 9. Extrakce proměnných – prohloubení znalostí o analýze hlavních komponent (PCA).
• 10. Pokročilejší metody extrakce proměnných – metody varietního učení, metoda nezávislých komponent (ICA).
• 11. Selekce proměnných.
• 12. Praktické ukázky analýzy a klasifikace dat.

Literatura

• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky podporované Power Pointovými prezentacemi. Důraz je kladen na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

RNDr. Eva Koriťáková, Ph.D. (přednášející)
prof. Ing. Jiří Holčík, CSc. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: RNDr. Eva Koriťáková, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Po 17. 9. až Pá 14. 12. St 8:00–10:50 D29/347-RCX2

Předpoklady

Je doporučeno předchozí absolvování předmětu Bi8600 Vícerozměrné metody.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace dat s důrazem na zpracování medicínských a biologických dat; - je schopen zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků; - dokáže redukovat a transformovat vícerozměrná data pomocí pokročilých metod ordinační analýzy; - je schopen klasifikovat data pomocí různých metod diskriminační analýzy a jiných pokročilých metod;- umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností; - dokáže interpretovat dosažené výsledky včetně vyhodnocení úspěšnosti klasifikace.

Osnova

• 1. Vícerozměrná analýza dat a její cíle. 2. Ordinační analýza – faktorová analýza (FA). 3. Ordinační analýza – vztah ordinačních prostorů: kanonická korespondenční analýza (CCA), redundanční analýza (RDA). 4. Ordinační analýza – vztah ordinačních prostorů: analýza hlavních koordinát (co-coordinateanalysis). 5. Pokročilejší metody extrakce proměnných – metoda nezávislých komponent (ICA) a další pokročilé metody. 6. Metriky pro určení vzdálenosti a podobnosti. 7. Klasifikace – úvod, diskriminační analýza pomocí diskriminačních funkcí a minimální vzdálenosti. 8. Klasifikace – diskriminační analýza pomocí hranic: Fisherova diskriminační analýza. 9. Klasifikace – diskriminační analýza pomocí hranic: lineární metoda podpůrných vektorů (SVM). 10. Klasifikace – nelineární SVM, sekvenční klasifikace. 11. Hodnocení klasifikátorů – křížová validace, srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání úspěšnosti klasifikace dvou a více klasifikátorů. 12. Závěrečné shrnutí metod analýzy a klasifikace dat.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997

Výukové metody

Přednášky podporované Power Pointovými prezentacemi. Důraz je kladen na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

RNDr. Eva Koriťáková, Ph.D. (přednášející)
prof. Ing. Jiří Holčík, CSc. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: RNDr. Eva Koriťáková, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Po 18. 9. až Pá 15. 12. St 8:00–10:50 D29/347-RCX2

Předpoklady

Je doporučeno předchozí absolvování předmětu Bi8600 Vícerozměrné metody.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace dat s důrazem na zpracování medicínských a biologických dat; - je schopen zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků; - dokáže redukovat a transformovat vícerozměrná data pomocí pokročilých metod ordinační analýzy; - je schopen klasifikovat data pomocí různých metod diskriminační analýzy a jiných pokročilých metod;- umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností; - dokáže interpretovat dosažené výsledky včetně vyhodnocení úspěšnosti klasifikace.

Osnova

• 1. Vícerozměrná analýza dat a její cíle. 2. Ordinační analýza – faktorová analýza (FA). 3. Ordinační analýza – vztah ordinačních prostorů: kanonická korespondenční analýza (CCA), redundanční analýza (RDA). 4. Ordinační analýza – vztah ordinačních prostorů: analýza hlavních koordinát (co-coordinateanalysis). 5. Pokročilejší metody extrakce proměnných – metoda nezávislých komponent (ICA) a další pokročilé metody. 6. Metriky pro určení vzdálenosti a podobnosti. 7. Klasifikace – úvod, diskriminační analýza pomocí diskriminačních funkcí a minimální vzdálenosti. 8. Klasifikace – diskriminační analýza pomocí hranic: Fisherova diskriminační analýza. 9. Klasifikace – diskriminační analýza pomocí hranic: lineární metoda podpůrných vektorů (SVM). 10. Klasifikace – nelineární SVM, sekvenční klasifikace. 11. Hodnocení klasifikátorů – křížová validace, srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání úspěšnosti klasifikace dvou a více klasifikátorů. 12. Závěrečné shrnutí metod analýzy a klasifikace dat.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997

Výukové metody

Přednášky podporované Power Pointovými prezentacemi. Důraz je kladen na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

RNDr. Eva Koriťáková, Ph.D. (přednášející)
prof. Ing. Jiří Holčík, CSc. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: RNDr. Eva Koriťáková, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Po 19. 9. až Ne 18. 12. St 8:00–10:50 D29/347-RCX2

Předpoklady

Je doporučeno předchozí absolvování předmětu Bi8600 Vícerozměrné metody.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace dat s důrazem na zpracování medicínských a biologických dat; - je schopen zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků; - dokáže redukovat a transformovat vícerozměrná data pomocí pokročilých metod ordinační analýzy; - je schopen klasifikovat data pomocí různých metod diskriminační analýzy a jiných pokročilých metod;- umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností; - dokáže interpretovat dosažené výsledky včetně vyhodnocení úspěšnosti klasifikace.

Osnova

• 1. Vícerozměrná analýza dat a její cíle. 2. Ordinační analýza – faktorová analýza (FA). 3. Ordinační analýza – vztah ordinačních prostorů: kanonická korespondenční analýza (CCA), redundanční analýza (RDA). 4. Ordinační analýza – vztah ordinačních prostorů: analýza hlavních koordinát (co-coordinateanalysis). 5. Pokročilejší metody extrakce proměnných – metoda nezávislých komponent (ICA) a další pokročilé metody. 6. Metriky pro určení vzdálenosti a podobnosti. 7. Klasifikace – úvod, diskriminační analýza pomocí diskriminačních funkcí a minimální vzdálenosti. 8. Klasifikace – diskriminační analýza pomocí hranic: Fisherova diskriminační analýza. 9. Klasifikace – diskriminační analýza pomocí hranic: lineární metoda podpůrných vektorů (SVM). 10. Klasifikace – nelineární SVM, sekvenční klasifikace. 11. Hodnocení klasifikátorů – křížová validace, srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání úspěšnosti klasifikace dvou a více klasifikátorů. 12. Závěrečné shrnutí metod analýzy a klasifikace dat.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997

Výukové metody

Přednášky podporované Power Pointovými prezentacemi. Důraz je kladen na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)
RNDr. Eva Koriťáková, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

St 8:00–10:50 D29/347-RCX2

Předpoklady

Je doporučeno předchozí absolvování předmětu Bi8600 Vícerozměrné metody.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace dat s důrazem na zpracování medicínských a biologických dat; - je schopen zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků; - dokáže redukovat a transformovat vícerozměrná data pomocí pokročilých metod ordinační analýzy; - je schopen klasifikovat data pomocí různých metod diskriminační analýzy a jiných pokročilých metod;- umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností; - dokáže interpretovat dosažené výsledky včetně vyhodnocení úspěšnosti klasifikace.

Osnova

• 1. Vícerozměrná analýza dat a její cíle. 2. Ordinační analýza – faktorová analýza (FA). 3. Ordinační analýza – vztah ordinačních prostorů: kanonická korespondenční analýza (CCA), redundanční analýza (RDA). 4. Ordinační analýza – vztah ordinačních prostorů: analýza hlavních koordinát (co-coordinateanalysis). 5. Pokročilejší metody extrakce proměnných – metoda nezávislých komponent (ICA) a další pokročilé metody. 6. Metriky pro určení vzdálenosti a podobnosti. 7. Klasifikace – úvod, diskriminační analýza pomocí diskriminačních funkcí a minimální vzdálenosti. 8. Klasifikace – diskriminační analýza pomocí hranic: Fisherova diskriminační analýza. 9. Klasifikace – diskriminační analýza pomocí hranic: lineární metoda podpůrných vektorů (SVM). 10. Klasifikace – nelineární SVM, sekvenční klasifikace. 11. Hodnocení klasifikátorů – křížová validace, srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání úspěšnosti klasifikace dvou a více klasifikátorů. 12. Závěrečné shrnutí metod analýzy a klasifikace dat.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997

Výukové metody

Přednášky podporované Power Pointovými prezentacemi. Důraz je kladen na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)
RNDr. Eva Koriťáková, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

St 8:00–10:50 F01B1/709

Předpoklady

Je doporučeno předchozí absolvování předmětu Bi8600 Vícerozměrné metody.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace dat s důrazem na zpracování medicínských a biologických dat; - je schopen zvolit a aplikovat adekvátní metodu analýzy a klasifikace dat k dosažení požadovaných výsledků; - dokáže redukovat a transformovat vícerozměrná data pomocí pokročilých metod ordinační analýzy; - je schopen klasifikovat data pomocí různých metod diskriminační analýzy a jiných pokročilých metod;- umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností; - dokáže interpretovat dosažené výsledky včetně vyhodnocení úspěšnosti klasifikace.

Osnova

• 1. Vícerozměrná analýza dat a její cíle. 2. Ordinační analýza – faktorová analýza (FA). 3. Ordinační analýza – vztah ordinačních prostorů: kanonická korespondenční analýza (CCA), redundanční analýza (RDA). 4. Ordinační analýza – vztah ordinačních prostorů: analýza hlavních koordinát (co-coordinateanalysis). 5. Pokročilejší metody extrakce proměnných – metoda nezávislých komponent (ICA) a další pokročilé metody. 6. Metriky pro určení vzdálenosti a podobnosti. 7. Klasifikace – úvod, diskriminační analýza pomocí diskriminačních funkcí a minimální vzdálenosti. 8. Klasifikace – diskriminační analýza pomocí hranic: Fisherova diskriminační analýza. 9. Klasifikace – diskriminační analýza pomocí hranic: lineární metoda podpůrných vektorů (SVM). 10. Klasifikace – nelineární SVM, sekvenční klasifikace. 11. Hodnocení klasifikátorů – křížová validace, srovnání úspěšnosti klasifikace s náhodnou klasifikací, srovnání úspěšnosti klasifikace dvou a více klasifikátorů. 12. Závěrečné shrnutí metod analýzy a klasifikace dat.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997

Výukové metody

Přednášky podporované Power Pointovými prezentacemi. Důraz je kladen na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)
RNDr. Eva Koriťáková, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Po 10:00–11:50 F01B1/709, St 10:00–11:50 F01B1/709

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace matematických popisů reálných objektů s důrazem na zpracování biologických dat - dokáže vysvětlit souvislosti a vzájemné vztahy mezi vlastnostmi reálných procesů a jimi generovaných dat a použitými metodami a algoritmy; - umí aplikovat různé metody a algoritmy zpracování dat k dosažení požadovaných výsledků; - umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností.

Osnova

• 1. Klasifikace dat – základní terminologie. Třídění klasifikačních algoritmů. 2. Příznakové metody. Klasifikace podle diskriminačních funkcí a minimální vzdálenosti. 3. Stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů. 4. Sekvenční klasifikace. 5. Volba a výběr příznaků. 6. Analýza hlavních komponent. 7. Analýza nezávislých komponent. 8. Faktorová analýza 9. Určení klasifikátorů. Metody odhadu hustot pravděpodobnosti a odhad apriorních pravděpodobností klasifikačních tříd. 10. Shlukování. Podobnost mezi obrazy a shluky. 11. Metody shlukování. 12. Klasifikace pomocí neuronových sítí.

Literatura

• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002

Výukové metody

Přednášky podporované Power Pointovými prezentacemi, přičemž je kladem důraz na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Mgr. Terézia Černá (přednášející)
RNDr. Eva Koriťáková, Ph.D. (přednášející), RNDr. Eva Koriťáková, Ph.D. (zástupce)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Po 8:00–10:50 F01B1/709

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace matematických popisů reálných objektů s důrazem na zpracování biologických dat - dokáže vysvětlit souvislosti a vzájemné vztahy mezi vlastnostmi reálných procesů a jimi generovaných dat a použitými metodami a algoritmy; - umí aplikovat různé metody a algoritmy zpracování dat k dosažení požadovaných výsledků; - umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností.

Osnova

• 1. Klasifikace dat – základní terminologie. Třídění klasifikačních algoritmů. 2. Příznakové metody. Klasifikace podle diskriminačních funkcí a minimální vzdálenosti. 3. Stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů. 4. Sekvenční klasifikace. 5. Volba a výběr příznaků. 6. Analýza hlavních komponent. 7. Analýza nezávislých komponent. 8. Faktorová analýza 9. Učení klasifikátorů. Metody odhadu hustot pravděpodobnosti a odhad apriorních pravděpodobností klasifikačních tříd. 10. Shlukování. Podobnost mezi obrazy a shluky. 11. Metody shlukování. 12. Klasifikace pomocí neuronových sítí.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky podporované Power Pointovými prezentacemi, přičemž je kladem důraz na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)
Mgr. Terézia Černá (cvičící)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.

Rozvrh

Út 10:00–12:50 F01B1/709

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace matematických popisů reálných objektů s důrazem na zpracování biologických dat - dokáže vysvětlit souvislosti a vzájemné vztahy mezi vlastnostmi reálných procesů a jimi generovaných dat a použitými metodami a algoritmy; - umí aplikovat různé metody a algoritmy zpracování dat k dosažení požadovaných výsledků; - umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností.

Osnova

• 1. Klasifikace dat – základní terminologie. Třídění klasifikačních algoritmů. 2. Příznakové metody. Klasifikace podle diskriminačních funkcí a minimální vzdálenosti. 3. Stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů. 4. Sekvenční klasifikace. 5. Volba a výběr příznaků. 6. Analýza hlavních komponent. 7. Analýza nezávislých komponent. 8. Faktorová analýza 9. Učení klasifikátorů. Metody odhadu hustot pravděpodobnosti a odhad apriorních pravděpodobností klasifikačních tříd. 10. Shlukování. Podobnost mezi obrazy a shluky. 11. Metody shlukování. 12. Klasifikace pomocí neuronových sítí.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky podporované Power Pointovými prezentacemi, přičemž je kladem důraz na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/0. 2 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.

Rozvrh

St 8:00–9:50 G2,02003

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Matematická biologie (program PřF, M-BI)

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace matematických popisů reálných objektů s důrazem na zpracování biologických dat - dokáže vysvětlit souvislosti a vzájemné vztahy mezi vlastnostmi reálných procesů a jimi generovaných dat a použitými metodami a algoritmy; - umí aplikovat různé metody a algoritmy zpracování dat k dosažení požadovaných výsledků; - umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností.

Osnova

• 1. Klasifikace dat – základní terminologie. Třídění klasifikačních algoritmů. 2. Příznakové metody. Klasifikace podle diskriminačních funkcí a minimální vzdálenosti. 3. Stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů. 4. Sekvenční klasifikace. 5. Volba a výběr příznaků. 6. Analýza hlavních komponent. 7. Analýza nezávislých komponent. 8. Faktorová analýza 9. Učení klasifikátorů. Metody odhadu hustot pravděpodobnosti a odhad apriorních pravděpodobností klasifikačních tříd. 10. Shlukování. Podobnost mezi obrazy a shluky. 11. Metody shlukování. 12. Klasifikace pomocí neuronových sítí.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky podporované Power Pointovými prezentacemi, přičemž je kladem důraz na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace dat

Rozsah

2/0. 2 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.

Rozvrh

St 10:00–11:50 G2,02003

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Matematická biologie (program PřF, M-BI)

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace matematických popisů reálných objektů s důrazem na zpracování biologických dat - dokáže vysvětlit souvislosti a vzájemné vztahy mezi vlastnostmi reálných procesů a jimi generovaných dat a použitými metodami a algoritmy; - umí aplikovat různé metody a algoritmy zpracování dat k dosažení požadovaných výsledků; - umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností.

Osnova

• 1. Klasifikace dat – základní terminologie. Třídění klasifikačních algoritmů. 2. Příznakové metody. Klasifikace podle diskriminačních funkcí a minimální vzdálenosti. 3. Stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů. 4. Sekvenční klasifikace. 5. Volba a výběr příznaků. 6. Analýza hlavních komponent. 7. Analýza nezávislých komponent. 8. Faktorová analýza 9. Učení klasifikátorů. Metody odhadu hustot pravděpodobnosti a odhad apriorních pravděpodobností klasifikačních tříd. 10. Shlukování. Podobnost mezi obrazy a shluky. 11. Metody shlukování. 12. Klasifikace pomocí neuronových sítí.

Literatura

• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky podporované Power Pointovými prezentacemi, přičemž je kladem důraz na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

Bi0034 Analýza a klasifikace biomedicínských dat

Rozsah

2/0. 2 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: k, z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.

Rozvrh

Út 12:00–13:50 MP2,01014a

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Matematická biologie (program PřF, M-BI)

Cíle předmětu

Předmět poskytne informaci o základních metodách a algoritmech pro výběr popisu, hodnocení a klasifikaci biomedicínských dat. Zabývá se základním tříděním klasifikačních přístupů – příznakové a strukturální a uvádí principy obou přístupů. Dále se zabývá podrobně zejména metodami příznakovými. Klasifikace podle diskriminačních funkcí (princip a stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů) a minimální vzdálenosti. Sekvenční klasifikace. Volba a výběr příznaků. Selekce a extrakce příznaků – analýza hlavních a nezávislých komponent, faktorová analýza. Učení klasifikátorů. Shlukování – podobnost mezi obrazy, podobnost mezi shluky, metody shlukování. Klasifikace pomocí neuronových sítí. Základní přístupy jsou vysvětlovány ve spojitosti s praktickými úlohami.

Osnova

• 1. Klasifikace dat – základní terminologie. Třídění klasifikačních algoritmů. 2. Příznakové metody. Klasifikace podle diskriminačních funkcí a minimální vzdálenosti. 3. Stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů. 4. Sekvenční klasifikace. 5. Volba a výběr příznaků. 6. Analýza hlavních komponent. 7. Analýza nezávislých komponent. 8. Faktorová analýza 9. Učení klasifikátorů. Metody odhadu hustot pravděpodobnosti a odhad apriorních pravděpodobností klasifikačních tříd. 10. Shlukování. Podobnost mezi obrazy a shluky. 11. Metody shlukování. 12. Klasifikace pomocí neuronových sítí.

Literatura

• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Metody hodnocení

ústní zkouška

Další komentáře

Studijní materiály
Předmět je vyučován naposledy.

Bi0034 Vyhledávání znalosti strojovým učením

Rozsah

2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: k, z.

Vyučující

doc. Ing. Jan Žižka, CSc. (přednášející)
RNDr. Danka Haruštiaková, Ph.D. (pomocník)

Garance

doc. Ing. Jan Žižka, CSc.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: doc. Ing. Jan Žižka, CSc.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Matematická biologie (program PřF, M-BI)

Cíle předmětu

Předmět se zabývá metodami induktivního strojového učení z příkladů dat. Popisuje algoritmy, jejich principy, možnosti a použití na automatizované neanalytické vyhledávání znalosti z reálných dat. Aplikační možnosti jsou ve vyhledávání podobností, dále v klasifikaci, regresi a predikci.

Osnova

• Vztah mezi daty, informací a znalostí. Induktivní učení. Automatizované vyhledávání znalosti z informace zobecněním vzorů. Trénování a testování, výběr vzorů a jejich representace. Problémy spojené s reálnými daty a neúplným popisem vzorů, náhrada chybějících hodnot a vzorů. Pokročilé principiální algoritmy strojového učení. Výpočetní složitost, její odhad. Učení neřízené (shlukování) a řízené (klasifikace, regrese), rozpoznávání vzorů. Interdisciplinarita, aplikační závislosti. Předzpracování dat, výběr algoritmů, návrh a vyhodnocení experimentů. Praktické experimenty s reálnými daty a softwarovým systémem nástrojů strojového učení WEKA.

Literatura

• Duda, R. O., Hart, P. E., Stork, D. G. (2001) Pattern Classification. Second edition. John Wiley & Sons. ISBN 0-471-05669-3

Další komentáře

Předmět je vyučován naposledy.
Výuka probíhá každý týden.

Bi0034 Analýza a klasifikace dat

Údaje z období podzim 2011 - akreditace se nezveřejňují

Rozsah

2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace matematických popisů reálných objektů s důrazem na zpracování biologických dat - dokáže vysvětlit souvislosti a vzájemné vztahy mezi vlastnostmi reálných procesů a jimi generovaných dat a použitými metodami a algoritmy; - umí aplikovat různé metody a algoritmy zpracování dat k dosažení požadovaných výsledků; - umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností.

Osnova

• 1. Klasifikace dat – základní terminologie. Třídění klasifikačních algoritmů. 2. Příznakové metody. Klasifikace podle diskriminačních funkcí a minimální vzdálenosti. 3. Stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů. 4. Sekvenční klasifikace. 5. Volba a výběr příznaků. 6. Analýza hlavních komponent. 7. Analýza nezávislých komponent. 8. Faktorová analýza 9. Učení klasifikátorů. Metody odhadu hustot pravděpodobnosti a odhad apriorních pravděpodobností klasifikačních tříd. 10. Shlukování. Podobnost mezi obrazy a shluky. 11. Metody shlukování. 12. Klasifikace pomocí neuronových sítí.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky podporované Power Pointovými prezentacemi, přičemž je kladem důraz na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi0034 Analýza a klasifikace dat

Rozsah

2/0. 2 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.

Vyučující

prof. Ing. Jiří Holčík, CSc. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. Ing. Jiří Holčík, CSc.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Matematická biologie (program PřF, M-BI)

Cíle předmětu

Po absolvování předmětu student: - má základní teoretické a metodologické znalosti principů rozpoznávání a klasifikace matematických popisů reálných objektů s důrazem na zpracování biologických dat - dokáže vysvětlit souvislosti a vzájemné vztahy mezi vlastnostmi reálných procesů a jimi generovaných dat a použitými metodami a algoritmy; - umí aplikovat různé metody a algoritmy zpracování dat k dosažení požadovaných výsledků; - umí navrhnout různé modifikace popisovaných algoritmů vhodné pro zpracování dat specifických vlastností.

Osnova

• 1. Klasifikace dat – základní terminologie. Třídění klasifikačních algoritmů. 2. Příznakové metody. Klasifikace podle diskriminačních funkcí a minimální vzdálenosti. 3. Stanovení diskriminačních funkcí na základě statistických vlastností množiny obrazů. 4. Sekvenční klasifikace. 5. Volba a výběr příznaků. 6. Analýza hlavních komponent. 7. Analýza nezávislých komponent. 8. Faktorová analýza 9. Učení klasifikátorů. Metody odhadu hustot pravděpodobnosti a odhad apriorních pravděpodobností klasifikačních tříd. 10. Shlukování. Podobnost mezi obrazy a shluky. 11. Metody shlukování. 12. Klasifikace pomocí neuronových sítí.

Literatura

• Dunham,M.H.: Data Mining: Introductory and Advanced Topics. Prentice Hall 2002
• Mitchel,T.M.: Machine Learning. McGraw Hill 1997
• Holčík,J.: Analýza a klasifikace signálů. [Učební texty vysokých škol] Brno, Nakladatelství VUT v Brně 1992.

Výukové metody

Přednášky podporované Power Pointovými prezentacemi, přičemž je kladem důraz na pochopení základních principů popisovaných metod a algoritmů. Během přednášek jsou studenti průběžně interaktivně oslovováni s cílem kontrolovat míru jejich pochopení přednášené látky.

Metody hodnocení

ústní zkouška

Další komentáře

Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi0034 Vyhledávání znalosti strojovým učením

Rozsah

2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: k, z.

Vyučující

doc. Ing. Jan Žižka, CSc. (přednášející)
RNDr. Danka Haruštiaková, Ph.D. (pomocník)

Garance

doc. Ing. Jan Žižka, CSc.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: doc. Ing. Jan Žižka, CSc.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Matematická biologie (program PřF, M-BI)

Cíle předmětu

Předmět se zabývá metodami induktivního strojového učení z příkladů dat. Popisuje algoritmy, jejich principy, možnosti a použití na automatizované neanalytické vyhledávání znalosti z reálných dat. Aplikační možnosti jsou ve vyhledávání podobností, dále v klasifikaci, regresi a predikci.

Osnova

• Vztah mezi daty, informací a znalostí. Induktivní učení. Automatizované vyhledávání znalosti z informace zobecněním vzorů. Trénování a testování, výběr vzorů a jejich representace. Problémy spojené s reálnými daty a neúplným popisem vzorů, náhrada chybějících hodnot a vzorů. Pokročilé principiální algoritmy strojového učení. Výpočetní složitost, její odhad. Učení neřízené (shlukování) a řízené (klasifikace, regrese), rozpoznávání vzorů. Interdisciplinarita, aplikační závislosti. Předzpracování dat, výběr algoritmů, návrh a vyhodnocení experimentů. Praktické experimenty s reálnými daty a softwarovým systémem nástrojů strojového učení WEKA.

Literatura

• Duda, R. O., Hart, P. E., Stork, D. G. (2001) Pattern Classification. Second edition. John Wiley & Sons. ISBN 0-471-05669-3

Další komentáře

Předmět je vyučován každoročně.
Výuka probíhá každý týden.

• Statistika zápisu (nejnovější)