Informace o předmětu

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Pá 12:00–13:50 D29/347-RCX2

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky. Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Cílem předmětu je seznámit studenty se základními i pokročilými klasifikačními a regresními neparametrickými metodami a naučit je aplikovat tyto metody v různých SW pro tvorbu modelů (R-project, Matlab, Statistica).

Výstupy z učení

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• 1. Úvod do neparametrických metod - Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB).
• 2. Rozhodovací stromy I - Topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů.
• 3. Rozhodovací stromy II - Další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS).
• 4. Náhodné lesy I - Nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing.
• 5. Náhodné lesy II - Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce.
• 6. Měření přesnosti modelů I - Matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další.
• 7. Měření přesnosti modelů II - „Treshold independent“ indexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další.
• 8. Validační techniky I - Validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM).
• 9. Validační techniky II - Metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife.
• 10. Příklady použití neparametrických metod - Prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů.

Literatura

• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.iba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Pá 12:00–13:50 D29/347-RCX2

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky. Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Cílem předmětu je seznámit studenty se základními i pokročilými klasifikačními a regresními neparametrickými metodami a naučit je aplikovat tyto metody v různých SW pro tvorbu modelů (R-project, Matlab, Statistica).

Výstupy z učení

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• 1. Úvod do neparametrických metod - Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB).
• 2. Rozhodovací stromy I - Topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů.
• 3. Rozhodovací stromy II - Další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS).
• 4. Náhodné lesy I - Nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing.
• 5. Náhodné lesy II - Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce.
• 6. Měření přesnosti modelů I - Matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další.
• 7. Měření přesnosti modelů II - „Treshold independent“ indexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další.
• 8. Validační techniky I - Validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM).
• 9. Validační techniky II - Metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife.
• 10. Příklady použití neparametrických metod - Prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů.

Literatura

• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.iba.muni.cz/vyuka/

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky. Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Cílem předmětu je seznámit studenty se základními i pokročilými klasifikačními a regresními neparametrickými metodami a naučit je aplikovat tyto metody v různých SW pro tvorbu modelů (R-project, Matlab, Statistica).

Výstupy z učení

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• 1. Úvod do neparametrických metod - Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB).
• 2. Rozhodovací stromy I - Topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů.
• 3. Rozhodovací stromy II - Další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS).
• 4. Náhodné lesy I - Nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing.
• 5. Náhodné lesy II - Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce.
• 6. Měření přesnosti modelů I - Matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další.
• 7. Měření přesnosti modelů II - „Treshold independent“ indexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další.
• 8. Validační techniky I - Validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM).
• 9. Validační techniky II - Metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife.
• 10. Příklady použití neparametrických metod - Prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů.

Literatura

• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.iba.muni.cz/vyuka/

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Čt 13:00–15:50 D29/347-RCX2

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Čt 13:00–15:50 D29/347-RCX2

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

St 13:00–15:50 D29/347-RCX2

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Čt 16:00–19:50 F01B1/709

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Obecná biologie (program PřF, N-BI, směr Ekotoxikologie)
• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (cvičící)
prof. Ing. Jiří Holčík, CSc. (náhr. zkoušející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Rozvrh

St 17:00–19:50 F01B1/709

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné statistické met.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Obecná biologie (program PřF, N-BI, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Prediktivní modelování

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Mgr. Klára Komprdová, Ph.D. (cvičící)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Rozvrh

Po 13:00–16:50 F01B1/709

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné statistické met.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 11 mateřských oborů, zobrazit

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- určit prostorou závislost v datech
- používat metody pro prostorové a prediktivní modelování
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- vybrat vhodnou prediktivní metodu metodu v závislosti na rozložení dat
- srovnat výhody a nevýhod jednotlivých metod

Osnova

• Úvod do prediktivního modelování
• Základy vícerozměrných metod
• Parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů
• Statistické SW pro vícerozměrnou analýzu dat – představení různých SW (STATISTIKA, R-project, MATLAB)
• Parametrické a semiparametrické regresní metody (LM, GLM, GAM) – výběr linkovací funkce, multikolinearita, odhad parametrů modelu, hodnocení vhodnosti modelu
• Lineární regrese
• Zobecněné lineární modely
• Zobecněné aditivní modely
• Neparametrické metody I: Rozhodovací stromy – různé algoritmy tvorby stromů, stabilita stromu, krosvalidace
• Klasifikační stromy
• Regresní stromy
• Neparametrické metody II: Náhodné lesy - nadstavba nad rozhodovacími stromy
• Bagging, Boosting, Arcing, Random forest
• Analýza prostorových dat
• Prostorová autokorelace, Pseudoreplikace
• Interpolace x Extrapolace
• Použití parametrických a neparametrických metod pro prostorovou analýzu
• Reálné aplikace vícerozměrných prediktivních metod:
• srovnání prediktivních metod pro spojitá i kategoriální data (CCA, RDA, ENFA, regresní metody, stromy, lesy...)
• Příklady: prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Hengl T. (2007) A Practical Guide to Geostatistical Mapping of Environmental Variables
• Lemeshow, Stanley & Hosmer, David W., Jr.. Logistic regression, p. 1-11. In Encyclopaedia of Biostatistics, 1st ed. [Online.] Wiley, London.
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh, P., Nelder, J.A. (1989): Generalized Linear Models (2nd edition), Chapman & Hall
• Harrel F. E., Jr. (2001): Regression Modeling Strategies. With Applications to Linear Models, Logistic Regression and Survival Analysis. Springer, Springer Series in Statistics, New York
• Lažanský et. Kol.: Umělá inteligence I.- IV.

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Prediktivní modelování

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Mgr. Klára Komprdová, Ph.D. (cvičící)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné statistické met.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 11 mateřských oborů, zobrazit

Cíle předmětu

Předmět je zaměřen na použití pokročilejších parametrických i neparametrických vícerozměrných metod pro prostorové a prediktivní modelování (od regrese až po nejnovější neparametrické metody). Důležitou částí bude srovnání výhod a nevýhod jednotlivých metod na různých datech (z hlediska statistického i prostorového rozložení). Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie.

Osnova

• Úvod do prediktivního modelování
• Základy vícerozměrných metod
• Parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů
• Statistické SW pro vícerozměrnou analýzu dat – představení různých SW (STATISTIKA, R-project, MATLAB)
• Parametrické a semiparametrické regresní metody (LM, GLM, GAM) – výběr linkovací funkce, multikolinearita, odhad parametrů modelu, hodnocení vhodnosti modelu
• Lineární regrese
• Zobecněné lineární modely
• Zobecněné aditivní modely
• Neparametrické metody I: Rozhodovací stromy – různé algoritmy tvorby stromů, stabilita stromu, krosvalidace
• Klasifikační stromy
• Regresní stromy
• Neparametrické metody II: Náhodné lesy - nadstavba nad rozhodovacími stromy
• Bagging, Boosting, Arcing, Random forest
• Analýza prostorových dat
• Prostorová autokorelace, Pseudoreplikace
• Interpolace x Extrapolace
• Použití parametrických a neparametrických metod pro prostorovou analýzu
• Reálné aplikace vícerozměrných prediktivních metod:
• srovnání prediktivních metod pro spojitá i kategoriální data (CCA, RDA, ENFA, regresní metody, stromy, lesy...)
• Příklady: prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Hengl T. (2007) A Practical Guide to Geostatistical Mapping of Environmental Variables
• Lemeshow, Stanley & Hosmer, David W., Jr.. Logistic regression, p. 1-11. In Encyclopaedia of Biostatistics, 1st ed. [Online.] Wiley, London.
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• McCullagh, P., Nelder, J.A. (1989): Generalized Linear Models (2nd edition), Chapman & Hall
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Harrel F. E., Jr. (2001): Regression Modeling Strategies. With Applications to Linear Models, Logistic Regression and Survival Analysis. Springer, Springer Series in Statistics, New York

Metody hodnocení

výuka bude probíhat blokově v počítačové učebně na Kamenici, zakončením předmětu bude písemná zkouška

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Základy stochastického modelování

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
RNDr. Eva Gelnarová (cvičící)
Mgr. Klára Komprdová, Ph.D. (cvičící)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Rozvrh

Út 8:00–11:50 Kontaktujte učitele

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 10 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Základy stochastického modelování

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Eva Gelnarová (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Rozvrh

Út 9:00–12:50 PUK

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 10 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Základy stochastického modelování

Rozsah

2/0/0. 2 kr. (plus ukončení). Ukončení: k.

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Eva Gelnarová (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Mgr. Jan Kohout (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Rozvrh seminárních/paralelních skupin

Bi7490/1: Rozvrh nebyl do ISu vložen.

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 9 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Základy stochastického modelování

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
RNDr. Eva Gelnarová (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
Ústav botaniky a zoologie – Biologická sekce – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Rozvrh

Pá 16:00–17:50 kamenice

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 9 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

Bi7490 Základy stochastického modelování

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
Ústav botaniky a zoologie – Biologická sekce – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 9 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Základy stochastického modelování

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
Ústav botaniky a zoologie – Biologická sekce – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 9 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2024 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2023 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2022 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2021 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2020 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2019 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období podzim 2018 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2018 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období podzim 2017 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2017 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období podzim 2016 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz || Bi5045 Biostatistika pro mat. biol.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2016 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2015 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. Klára Komprdová, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Předmět se v období jaro 2014 nevypisuje.

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)
prof. Ing. Jiří Holčík, CSc. (přednášející)
prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)

Garance

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

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné metody
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Speciální biologie (program PřF, N-EXB)
• Speciální biologie (program PřF, N-EXB, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Základy stochastického modelování

Předmět se v období podzim 2007 nevypisuje.

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Eva Gelnarová (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Mgr. Jan Kohout (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 10 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Základy stochastického modelování

Předmět se v období podzim 2006 nevypisuje.

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Eva Gelnarová (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Mgr. Jan Kohout (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 10 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Základy stochastického modelování

Předmět se v období podzim 2005 nevypisuje.

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Eva Gelnarová (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Mgr. Jan Kohout (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
Ústav botaniky a zoologie – Biologická sekce – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 9 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Údaje z období jaro 2012 - akreditace se nezveřejňují

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (přednášející)
prof. Ing. Jiří Holčík, CSc. (přednášející)
prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)

Garance

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

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné statistické met.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Obecná biologie (program PřF, N-BI, směr Ekotoxikologie)

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- používat klasifikační a regresní neparametrické metody
- validovat výstupy modelů pomocí různých validačních technik
- srovnat výsledky různých modelů
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- srovnat výhody a nevýhod přednášených metod

Osnova

• Úvod do neparametrických metod
• Základy pojmy: proces modelování, typy proměnných, klasifikace modelů, klasifikace x regrese, parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů, představení různých SW (STATISTIKA, R-project, MATLAB)

• Rozhodovací stromy I

• topologie stromu, kriteriální statistika, stabilita stromu, krosvalidace, měření přesnosti stromu, prořezávání, zástupné proměnné, klasifikační x regresní stromy, algoritmus typu CART, výhody x nevýhody rozhodovacích stromů

• Rozhodovací stromy II

• další algoritmy tvorby stromů: Patient Rule Induction Method (PRIM), Chi-squared Automatic Interaction Detector (CHAID), Quick, Unbiased and Efficient Statistical Tree (QUEST), Hierarchical Mixture of Experts (HME), Multivariate Adaptive Regression Splines (MARS)

• Náhodné lesy I

• nadstavba nad rozhodovacími stromy, tvorba validace lesů, různé typy lesů Bagging, Boosting, Arcing

• Náhodné lesy II

• Random forest - měření významnosti proměnných, efekt proměnných na predikci, shlukování, detekce odlehlých hodnot, predikce

• Měření přesnosti modelů I

• matice záměn, „treshold dependent“ indexy: Normalized mutual information (MI), Average of mutual information (AMI), Celková přesnost (OA), Cohenovo kappa, Tau a další

• Měření přesnosti modelů II

• „treshold independent“ idexy, specificita x senzitivita, Receiver Operating Characteristic curve (ROC) , Area Under the ROC Curve (AUC), koeficient determinace R2, deviance D2, maximum overall accuracy (MXOA), maximální kappa (MXKp), Mean cross entropy (MXE), Mean absolute prediction error (MAPE) a další

• Validační techniky I

• validační, testovací a trénovací soubor, celková obecná chyba modelu, analytické metody - Akaikovo informační kritérium (AIC), Bayesovo informační kritérium (BIC), Minimum description length (MDL), Structural risk minimization (SRM)

• Validační techniky II

• metoda Monte Carlo, metody založeny na opakovaném použití pozorování: krosvalidace, jednoduché rozdělení, bootstrap a jacknife

• Příklady použití neparametrických metod

• prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.
• MANLY, Bryan F. J. Randomization, bootstrap and Monte Carlo methods in biology. 3rd ed. Boca Raton, Fla.: Chapman & Hall, 2007, 455 s. ISBN 9781584885412. info
• EDGINGTON, Eugene S. a Patrick ONGHENA. Randomization tests. 4th ed. Boca Raton, FL: Chapman & Hall/CRC, 2007, 345 s. ISBN 9781584885894. info

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Pokročilé neparametrické metody

Rozsah

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

Vyučující

Mgr. Klára Komprdová, Ph.D. (cvičící)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Bi5040 Biostatistika - základní kurz && Bi8600 Vícerozměrné statistické met.
Nutným předpokladem je dobrá znalost základní metodologie biostatistiky . Doporučeno je absolvování předmětu Vícerozměrných statických metod (Bi8600).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 10 mateřských oborů, zobrazit

Cíle předmětu

Na koncitohoto kurzu bude student schopen:
- kriticky zhodnotit datový soubor z hlediska rozložení dat
- určit prostorou závislost v datech
- používat metody pro prostorové a prediktivní modelování
- osvojení si různých SW pro tvorbu modelů (R-project, Matlab, Statistica)
- vybrat vhodnou prediktivní metodu metodu v závislosti na rozložení dat
- srovnat výhody a nevýhod jednotlivých metod

Osnova

• Úvod do prediktivního modelování
• Základy vícerozměrných metod
• Parametrická a neparametrická vícerozměrná statistika – srovnání různých přístupů
• Statistické SW pro vícerozměrnou analýzu dat – představení různých SW (STATISTIKA, R-project, MATLAB)
• Parametrické a semiparametrické regresní metody (LM, GLM, GAM) – výběr linkovací funkce, multikolinearita, odhad parametrů modelu, hodnocení vhodnosti modelu
• Lineární regrese
• Zobecněné lineární modely
• Zobecněné aditivní modely
• Neparametrické metody I: Rozhodovací stromy – různé algoritmy tvorby stromů, stabilita stromu, krosvalidace
• Klasifikační stromy
• Regresní stromy
• Neparametrické metody II: Náhodné lesy - nadstavba nad rozhodovacími stromy
• Bagging, Boosting, Arcing, Random forest
• Analýza prostorových dat
• Prostorová autokorelace, Pseudoreplikace
• Interpolace x Extrapolace
• Použití parametrických a neparametrických metod pro prostorovou analýzu
• Reálné aplikace vícerozměrných prediktivních metod:
• srovnání prediktivních metod pro spojitá i kategoriální data (CCA, RDA, ENFA, regresní metody, stromy, lesy...)
• Příklady: prediktivní modelování rozšíření druhů, výběr významných druhů a prediktorů pro různé habitaty, valenční křivky, typologické mapy, modelování koncentrací polutantů

Literatura

• Breiman L. (2001) Random forests. Machine Learning 45, pp. 5 32.
• Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Data mining, Inference and Prediction, Springer 2003
• Hengl T. (2007) A Practical Guide to Geostatistical Mapping of Environmental Variables
• Lažanský et. Kol.: Umělá inteligence I.- IV.
• Jan Klaschka, Emil Kotrč: Klasifikační a regresní lesy, sborník konference ROBUST 2004
• Breiman, L. et al (1984) Classification and Regression Trees, Chapman and Hall
• Breiman L. (1996) Bagging predictors. Machine Learning 24, pp.123 140.
• McCullagh, P., Nelder, J.A. (1989): Generalized Linear Models (2nd edition), Chapman & Hall
• Harrel F. E., Jr. (2001): Regression Modeling Strategies. With Applications to Linear Models, Logistic Regression and Survival Analysis. Springer, Springer Series in Statistics, New York
• Lemeshow, Stanley & Hosmer, David W., Jr.. Logistic regression, p. 1-11. In Encyclopaedia of Biostatistics, 1st ed. [Online.] Wiley, London.
• Legendre P., Legendre L. (1998) Numerical ecology (second ed.), Elsevier, Amsterdam
• McCullagh C. E., Searle S. R. (2001): Generalized, Linear, and Mixed Models, John Wiley & Sons.

Výukové metody

Výuka probíhá formou powerpointových prezentací. Každý blok bude doplněn praktickou částí na PC, kde bude možno si jednotlivé modely vyzkoušet v různých SW. Budou řešeny praktické úlohy na reálných datech z oblasti experimentální biologie, ekologie, chemie. Student vypracuje během semestru projekt na jedno ze zadaných témat.

Metody hodnocení

Zakončením předmětu bude písemná zkouška zaměřená na ověření teoretické pochopení probíraných metod a hodnocení projektu.

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Základy stochastického modelování

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Eva Gelnarová (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 10 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

Bi7490 Základy stochastického modelování

Předmět se v období podzim 2007 - akreditace nevypisuje.

Rozsah

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

Vyučující

prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Eva Gelnarová (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Mgr. Jan Kohout (přednášející)
RNDr. Jan Mužík, Ph.D. (pomocník)

Garance

prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.

Předpoklady

Nutným předpokladem je dobrá znalost základní metodologie biostatistiky, základů plánování experimentů a základní znalost regresních analýz (přímka, polynomiální regrese).

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 10 mateřských oborů, zobrazit

Cíle předmětu

Pokročilý předmět poskytující základní teoretické vzdělání v širokém spektru metod od nejrůznějších regresních analýz (lineární a nelineární regrese, vícerozměrná regrese), přes běžné modely budované z experimentálních dat až po prediktivní aplikace Markovových řetězů. Důraz je kladen na pochopení aplikovatelnosti modelů na reálných biologických a klinických datech a dále na praktické hodnocení stability a správnosti modelů. Flexibilní složkou kurzu je úvod do analýzy časových řad.

Osnova

• 1. Základní matematické operace s vektory a maticemi, řešení soustavy lineárních rovnic. Úvod do modelování. Modely vycházející z experimentálních dat.
• 2. Markovovy řetězy. Aplikace při modelování sukcese ekosystému, struktury biologických populací. Homogenní a nehomogenní Markovovy řetězy v ekologii, ekotoxikologii a medicíně. Leslieho matice.
• 3. Jednoduché aplikace regresní analýzy v různých biologických vědách. Stabilita modelů, redundance proměnných. Analýza reziduí modelů.
• 4. Regresní analýza v ekologii. Binární data jako nezávislé proměnné. Modelování nominálních dat analýzou rozptylu. Odhad vlivu environmentálních parametrů na biologické populace. Gaussovské křivky, indikátorové druhy. Modelování využívající kontingenční tabulky v ekologii.
• 5. Logistická regrese - jednorozměrný a vícerozměrný model. Srovnání logistické regrese a diskriminační analýzy.
• 6. Vícerozměrná lineární regrese - úvod a experimentální přístupy. Metoda nejmenších čtverců. Metoda maximální věrohodnosti. Vícerozměrná lineární regrese - výstavba modelu, hodnocení modelu. Předpoklady metody nejmenších čtverců.
• 7. Zobecněné vícerozměrné lineární modely. Analýza residuí - odhad homoskedacity a autokorelace. Aplikace zobecněných lineárních modelů.
• 8. Role korelační analýzy ve vícerozměrné regresi. Parametrické a neparametrické korelační koeficienty. Parciální korelace a vícenásobná korelace. Aplikace hřebenové regrese u multikolineárních dat. Případové studie vícerozměrných lineárních modelů. Nelineární regrese - základní algoritmy a experimentální přístup. Transformace vedoucí k lineární formě modelu.
• 9. Analýzy vztahů dávka- odpověď. Probit a logit analýza, odhady parametrů křivek dávka-odpověď. Metoda mediánové rovnice. Grafická prezentace složitých vztahů dávka-odpověď.
• 10. Regresní analýzy a analýzy vztahů v návaznosti na experimenty hodnocené analýzou rozptylu. Polynomiální regrese, pilotní odhady regresních koeficientů. Interakce pokusných zásahů, synergismus, antagonismus. Statistický průkaz synergismu a antagonismu pokusných faktorů.
• 11. Úvod do analýzy časových řad. Autokorelace. Analýza trendů. Box Jenkinsovy modely. Neparametrické metody pro odhad trendů u sezónních i nesezónních časových řad. Aplikace regresních metod při odhadu trendu v čase. Polynomiální regrese. Spline metody. Předpovědi u časových řad. Praktické příklady z aplikace časových řad v ekologii. Korelogram, periodogram.
• 12. Box Jenkinsovy modely časových řad. Spektrální analýza časových řad. Modelování vývoje sezónních složek časových řad u ekologických dat.

Literatura

• MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
• Statistické zpracování experimentálních dat :v chonometrii, biometrii, ekonometrii a v dalších oborech přírodních , technických a společenských věd. Edited by Milan Meloun. 2. vyd. Praha: East Publishing, 1998, xxi, 839 s. ISBN 80-7219-003-2. info
• HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
• MCCULLAGH, P. a John A. NELDER. Generalized linear models. 2nd ed. London: Chapman & Hall, 1989, xix, 511. ISBN 0412317605. info
• Cajo J.F. ter Braak, (1996). Unimodal models to relace species to environment. DLO-Agricultural Mathematics Group, Wageningen
• SOKAL, Robert R. a James F. ROHLF. Biometry :the principles and practice of statistics in biological research. 3rd ed. New York: W.H. Freeman and Company, 1995, xix, 887 s. ISBN 0-7167-2411-1. info

Informace učitele

http://www.cba.muni.cz/vyuka/

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.
Výuka probíhá každý týden.

• Statistika zápisu (nejnovější)