|
Vyučující
|
|
|
|
Obsah předmětu
|
Tematické okruhy, kterým se budeme věnovat: - Datové typy a datové zdroje - Pravděpodobnost, podmíněná pravděpodobnost a bayesovská inference - Bayesovské sítě a kauzální inference - Prediktivní modelování a jeho úskalí - Evidence Based Medicine - Strojové učení a jeho důsledky
|
|
Studijní aktivity a metody výuky
|
|
Přednášení, Dialogická (diskuze, rozhovor, brainstorming), Aktivizující práce ve skupinách
|
|
Výstupy z učení
|
Cílem předmětu je naučit studenty pracovat s daty a evidencí, vyhledávat relevantní datové zdroje, poznat kvalitní a nekvalitní data, rozumět jednotlivým typům dat (celopopulační, dotazníková, klinické studie, ...), ale také poznat platné a neplatné implikace, rozumět rozdílům mezi asociací a kauzalitou, rozumět úskalím prediktivního modelování, umět obhájit svůj pohled na danou problematiku a podepřít jej daty, rozpoznat mezery v argumentaci jiných atd.
práce s daty a evidencí hledání datových zdrojů porozumění typům studií porozumění platným a neplatným argumentům porozumění rozdílu mezi korelací a kauzalitou porozumění prediktivnímu modelování
|
|
Předpoklady
|
Zájem o věc
|
|
Hodnoticí metody a kritéria
|
Analýza výkonů studenta, Rozhovor, Závěrečný projekt
Zápočet za prezentaci na cvičeních, zkouška formou vědecké rozpravy.
|
|
Doporučená literatura
|
-
Kahnemann, D. (2012). Thinking Fast and Slow. Penguin.
-
Pearl, J. (2008). The Book of Why. Basic Books.
-
Silver, N. (2015). The Signal and the Noise. Penguin Books.
-
Tetlock, P. (2016). Superforecasting. Crown.
|