|
Vyučující
|
-
Machalová Jitka, doc. RNDr. Ph.D., MBA
|
|
Obsah předmětu
|
1. Bodové a intervalové odhady a princip testování statistických hypotéz. 2. Statistická analýza vztahů dvou veličin (kvantitativních, kvalitativních). 3. Bayesova věta a její použití, apriorní a aposteriorní rozdělení, Monte Carlo metody. 4. Klasifikace, klasické metody a metody pro vysoce-dimenzionální data. 5. Regresní analýza a její aplikace, konstrukce a verifikace modelů, korelace. 6. Průzkumová statistická analýza, shlukování, redukce dimenze. 7. Modelování časových řad, trend a sezónnost, náhodná složka, srovnání s Box-Jenkinsovou metodologií. 8. Supervised machine learning, neuronové sítě, support vector machines, decision trees.
|
|
Studijní aktivity a metody výuky
|
|
Metody práce s textem (učebnicí, knihou)
|
|
Výstupy z učení
|
Uvědomit si vzájemnou souvislost základních pojmů a tvrzení týkajících se pokročilých statistických disciplín.
Syntéza Uvědomit si vzájemnou souvislost základních pojmů a tvrzení týkajících se pokročilých statistických disciplín.
|
|
Předpoklady
|
Student musí splnit všechny prerekvizity dané studijním plánem bakalářského studijního programu Aplikovaná matematika a všechny podmínky stanovené Studijním a zkušebním řádem Univerzity Palackého v Olomouci.
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška
rozumět učivu
|
|
Doporučená literatura
|
-
Anděl, J. (2005). Základy matematické statistiky. Praha.
-
Bishop, Ch. M. (2011). Pattern recognition and machine learning.
-
Everitt, B., Hothorn, T. (2011). An introduction to applied multivariate analysis with R. Springer, Heidelberg.
-
Hindls R., Hronová S., Seger J., Fischer J. (2007). Statistika pro ekonomy.
-
Hron K., Kunderová P., Vencálek O. (2018). Základy pravděpodobnosti a metod matematické statistiky. Olomouc.
-
MacKay D. (2003). Information theory, Inference, and learning algorithms.
|