Účast na přednáškách je doporučená, není však kontrolována.

Obhajoba individuálního projektu

Attendance at lectures is encouraged but not monitored.

Individual statistical project.

Doporučená:

• Kožíšek, Jan, Stieberová, Barbora. Statistika v příkladech, praktické aplikace řešené v MS Excel. Praha: Dashöfer, 2012, 287 s. s. ISBN 978-80-86897-48-6.
• Stevens, Tim, Boucher, Wayne. Python programming for biology, bioinformatics and beyond. Cambridge: Cambridge University Press, 2015, viii, 702 s. s. ISBN 978-0-521-72009-0.
• Jorgensen, Adam. Microsoft SQL server 2012 bible. Indianapolis: Wiley, 2012, s. ISBN 978-1-118-10687-7.

Optional:

• Stevens, Tim, Boucher, Wayne. Python programming for biology, bioinformatics and beyond. Cambridge: Cambridge University Press, 2015, viii, 702 s. s. ISBN 978-0-521-72009-0.
• Jorgensen, Adam. Microsoft SQL server 2012 bible. Indianapolis: Wiley, 2012, s. ISBN 978-1-118-10687-7.

Předmět je složen z odborných přednášek vyučujících s cvičení kde studenti pracují na řešení reálných případových studií.

The course consists of expert lectures with exercises where students work on solving real case studies.

Předpokladem k získání zápočtu je:

Vypracování všech zadaných praktických úloh v požadované kvalitě.

Zpracování individuálního projektu a jeho obhajoba.

The prerequisite for obtaining credit is:

Completion of all assigned practical tasks in the required quality.

Preparation of an individual project and its defence.

1. Nástroje pro datovou analýzu

2. Databáze - typy databází a jejich využití

3. Relační databáze a práce s nimi - tvorba jednoduché databáze v MySQL

4. SQL analýza dat - základy SQL, operátory ‘and’ a ‘or’

5. Práce s databázemi a základní analýza dat - získávání, čištění a příprava datových souborů pro statistické zpracování dat

6. Datová analýza v Excelu - využití Analýzy dat v MS Excel

7. Deskriptivní statistika - základní parametry popisné statistiky, střední hodnota, rozptyl, koeficient šikmosti a špičatosti

8. Různé druhy analýzy - parametrické a neparametrické statistické testy

9. Úvod do vícerozměrných statistických metod

10. Vizualizace - tvorba grafů, komunikace výsledků

11. Využití Pythonu a R v analýze dat - úvod do jazyka Python, typy dat, práce s daty

12. Úvod do strojového učení - statistika ve strojovém učení, příprava dat pro model

13. Pokročilé modely strojového učení - náhodné lesy, boosting a bagging, neuronové sítě

14. Samostatná práce - konzultace, zápočet

1. Data analysis tools

2. Databases - types of databases and their use

3. Relational databases and working with them - creating a simple database in MySQL

4. SQL data analysis - SQL basics, “and” and “or” operators

5. Working with databases and basic data analysis - retrieving, cleaning and preparing data files for statistical data processing

6. Data analysis in Excel - using Data Analysis in MS Excel

7. Descriptive statistics - basic parameters of descriptive statistics, mean, variance, skewness and peak coefficient

8. Different types of analysis - parametric and non-parametric statistical tests

9. Introduction to multivariate statistical methods

10. Visualization - creating graphs, communicating results

11. Using Python and R in data analysis - introduction to Python, data types, working with data

12. Introduction to machine learning - statistics in machine learning, preparing data for a model

13. Advanced machine learning models - random forests, boosting and bagging, neural networks

14. Independent work - consultation, credit

e-learning/ Základy datové analýzy

e-learning/ Základy datové analýzy

Studenti budou umět:

Vytvořit jednoduchou databázi a dále s ní pracovat.

Statisticky zpracovat získané datové soubory pomocí MS Excel, volně dostupných softwarů Rstudio a MetaboAnalyst.

Získané výsledky správně interpretovat a prezentovat.

Student will be able to:

Create a simple database and work with it.

Statistically process the obtained data files using MS Excel, freely available Rstudio and MetaboAnalyst software and interpret the results correctly.

Aplikovaná statistika

Applied Statistics