|
Vyučující
|
-
Pata Vladimír, prof. Dr. Ing.
|
|
Obsah předmětu
|
- Charakter jedno a více rozměrných dat, data strukturovaná a nestrukturovaná. - Způsoby předúpravy jedno a více rozměrných dat, formy standardizace dat, užití statistických váh. - Metodiky zobrazení struktury v jednotlivých znacích a objektech. - Analýza hlavních komponent, podstata, grafické vyjádření, Cattelův graf na úpatí vlastních čísel, diagnostika metody hlavních komponent. - Faktorová analýza, zaměření, podstata, grafické pomůcky, diagnostika a využití získaných výsledků. - Kanonická korelační analýza, podstata a zaměření, testy významností, analýza redunancí, formulace úloh a testování výsledků. - Diskriminační analýzy lineární, diskriminační analýza kvadratická, účel formulace, použití ve výzkumu. Lineární a kvadratické diskriminační funkce, testování výsledků. - Logistická regrese, účel a použití ve vědě a výzkumu, tvorba logistického regresního modelu, testy významnosti a hodnocení kvality logistické regrese. - Analýza shluků, formulace a využití, typy dendrogramů, typy shlukování, nalezení optimálních shluků. - Úvod do problematiky "Fuzzy shlukování". - Mapování objektů pomocí vícerozměrného škálování, cíle a využití, metodologie a interpretace výsledků, včetně jejich ověřování. - Korespondenční analýza, princip a využití ve vědecké praxi, zaměření korespondenční analýzy, formulace a interpretace výsledků. - Nelineární regresní analýza, účel a použití, formulace úloh, hledání nejlepší nelineární regresní funkce, intervaly spolehlivosti pro nelineární regresní analýzu. - Neuronové sítě, typy, využití, formulace úloh a vlastní matematický aparát. Učení a testování neuronové sítě.
|
|
Studijní aktivity a metody výuky
|
Metody práce s textem (učebnicí, knihou), Cvičení na počítači, Individuální práce studentů
- Příprava na zkoušku
- 150 hodin za semestr
- Příprava na zkoušku
- 150 hodin za semestr
- Příprava na zkoušku
- 50 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Provést rešerši článku WOS, pracovat s cizojazyčnou literaturou. |
| Provést rešerši článku WOS, pracovat s cizojazyčnou literaturou. |
| Pro úspěšné zvládnutí předmětu "počítačové metody" je předpokládáno, že student má určité odborné znalosti a dovednosti již před zahájením výuky. Tato předpokládaná znalost a dovednosti jsou důležité pro efektivní studium a aplikaci počítačových metod statistiky. Zde jsou některé z těchto odborných znalostí a dovedností: Základní statistické znalosti: Student by měl mít základní znalosti statistických konceptů, jako jsou pravděpodobnost, střední hodnota, rozptyl, korelace, regrese a pravděpodobnostní rozdělení. Tyto koncepty jsou základem pro pokročilé počítačové metody statistiky. Matematické dovednosti: Důležité jsou základní matematické dovednosti, protože statistické metody často zahrnují matematické výpočty a algebrou pro analýzu dat. Práce s počítačem: Student by měl být schopen pracovat s počítačem a mít základní dovednosti v používání statistických softwarových nástrojů, jako jsou R, Python s knihovnami pro statistiku, SPSS, Minitab nebo jiné. Dovednosti v analýze dat: Student by měl mít dovednosti v analýze dat, včetně schopnosti vyhodnocovat a vizualizovat data a identifikovat vzory a trendy v datech. Práce s databázemi: Znalost základních principů práce s databázemi může být užitečná, protože statistická analýza často zahrnuje práci s velkými datovými soubory. Znalost programovacích jazyků: Studenti, kteří mají zkušenosti s programováním, mohou mít výhodu, protože mohou být schopni vytvářet vlastní skripty pro analýzu dat a aplikovat statistické metody. Znalost matematických statistických modelů: Pokročilé statistické modely mohou zahrnovat znalost lineární regrese, nelineární regrese, analýzu rozptylu (ANOVA), analýzu faktorů, analýzu hlavních komponent (PCA) a další. Dovednosti v interpretaci výsledků: Student by měl být schopen interpretovat výsledky statistických analýz a vysvětlit významná statistická zjištění. Těmito znalostmi a dovednostmi je student připraven na studium počítačových metod statistiky a získání pokročilých znalostí a dovedností v oblasti analýzy a interpretace dat. Po absolvování předmětu bude student schopen aplikovat statistické metody na různé reálné problémy a provádět statistické analýzy za použití počítačových nástrojů. |
| Pro úspěšné zvládnutí předmětu "počítačové metody" je předpokládáno, že student má určité odborné znalosti a dovednosti již před zahájením výuky. Tato předpokládaná znalost a dovednosti jsou důležité pro efektivní studium a aplikaci počítačových metod statistiky. Zde jsou některé z těchto odborných znalostí a dovedností: Základní statistické znalosti: Student by měl mít základní znalosti statistických konceptů, jako jsou pravděpodobnost, střední hodnota, rozptyl, korelace, regrese a pravděpodobnostní rozdělení. Tyto koncepty jsou základem pro pokročilé počítačové metody statistiky. Matematické dovednosti: Důležité jsou základní matematické dovednosti, protože statistické metody často zahrnují matematické výpočty a algebrou pro analýzu dat. Práce s počítačem: Student by měl být schopen pracovat s počítačem a mít základní dovednosti v používání statistických softwarových nástrojů, jako jsou R, Python s knihovnami pro statistiku, SPSS, Minitab nebo jiné. Dovednosti v analýze dat: Student by měl mít dovednosti v analýze dat, včetně schopnosti vyhodnocovat a vizualizovat data a identifikovat vzory a trendy v datech. Práce s databázemi: Znalost základních principů práce s databázemi může být užitečná, protože statistická analýza často zahrnuje práci s velkými datovými soubory. Znalost programovacích jazyků: Studenti, kteří mají zkušenosti s programováním, mohou mít výhodu, protože mohou být schopni vytvářet vlastní skripty pro analýzu dat a aplikovat statistické metody. Znalost matematických statistických modelů: Pokročilé statistické modely mohou zahrnovat znalost lineární regrese, nelineární regrese, analýzu rozptylu (ANOVA), analýzu faktorů, analýzu hlavních komponent (PCA) a další. Dovednosti v interpretaci výsledků: Student by měl být schopen interpretovat výsledky statistických analýz a vysvětlit významná statistická zjištění. Těmito znalostmi a dovednostmi je student připraven na studium počítačových metod statistiky a získání pokročilých znalostí a dovedností v oblasti analýzy a interpretace dat. Po absolvování předmětu bude student schopen aplikovat statistické metody na různé reálné problémy a provádět statistické analýzy za použití počítačových nástrojů. |
| Odborné dovednosti |
|---|
| Samostatně řešit problematiku týkající se statisticko matematických problémů řízení jakosti. |
| Samostatně řešit problematiku týkající se statisticko matematických problémů řízení jakosti. |
| Pro úspěšné zvládnutí předmětu "počítačové metody statistika" je předpokládáno, že student má určité odborné dovednosti a schopnosti již před zahájením výuky. Tyto odborné dovednosti jsou důležité pro efektivní studium a aplikaci počítačových metod statistiky. Zde jsou předpokládané odborné dovednosti, které by měl student mít: Práce s počítačem: Student by měl být zdatný v používání počítače a měl by se cítit pohodlně při práci s různými statistickými softwarovými nástroji, jako jsou R, Python, SPSS, Minitab nebo jiné. Zpracování a analýza dat: Student by měl mít dovednosti v zpracování dat, včetně schopnosti importovat, transformovat a čistit data pro statistickou analýzu. To zahrnuje také schopnost vizualizovat data pomocí grafů a tabulek. Používání statistických softwarových nástrojů: Student by měl být schopen efektivně používat různé statistické softwarové nástroje a znát syntax a příkazy používané pro provádění statistických analýz. Statistická analýza dat: Student by měl mít dovednosti v provádění různých statistických analýz, jako jsou regrese, analýza rozptylu (ANOVA), testování hypotéz, analýza korelace a další. Dovednosti výběru správného statistického postupu jsou klíčové. Modelování dat: Student by měl být schopen vytvářet statistické modely pro data a provádět analýzy pro predikci a odhad budoucích hodnot. Práce s velkými datovými soubory: Dovednosti v práci s velkými datovými soubory a schopnost efektivně provádět analýzy na velkém množství dat jsou důležité v moderním statistickém prostředí. Interpretace výsledků: Student by měl být schopen interpretovat výsledky statistických analýz a vysvětlovat významná statistická zjištění z hlediska reálných aplikací. Kritické myšlení: Důležité je kritické myšlení a schopnost posuzovat kvalitu dat, vhodnost statistických metod a interpretaci výsledků. Práce s reálnými daty: Student by měl mít zkušenosti s prací s reálnými daty a prováděním statistických analýz na reálných problémech. Těmito dovednostmi je student připraven na studium a aplikaci počítačových metod statistiky, což zahrnuje analýzu a interpretaci dat, a umožňuje studentovi úspěšně řešit různé statistické problémy v různých oblastech, včetně vědeckého výzkumu, průmyslu, finančního sektoru a dalších. |
| Pro úspěšné zvládnutí předmětu "počítačové metody statistika" je předpokládáno, že student má určité odborné dovednosti a schopnosti již před zahájením výuky. Tyto odborné dovednosti jsou důležité pro efektivní studium a aplikaci počítačových metod statistiky. Zde jsou předpokládané odborné dovednosti, které by měl student mít: Práce s počítačem: Student by měl být zdatný v používání počítače a měl by se cítit pohodlně při práci s různými statistickými softwarovými nástroji, jako jsou R, Python, SPSS, Minitab nebo jiné. Zpracování a analýza dat: Student by měl mít dovednosti v zpracování dat, včetně schopnosti importovat, transformovat a čistit data pro statistickou analýzu. To zahrnuje také schopnost vizualizovat data pomocí grafů a tabulek. Používání statistických softwarových nástrojů: Student by měl být schopen efektivně používat různé statistické softwarové nástroje a znát syntax a příkazy používané pro provádění statistických analýz. Statistická analýza dat: Student by měl mít dovednosti v provádění různých statistických analýz, jako jsou regrese, analýza rozptylu (ANOVA), testování hypotéz, analýza korelace a další. Dovednosti výběru správného statistického postupu jsou klíčové. Modelování dat: Student by měl být schopen vytvářet statistické modely pro data a provádět analýzy pro predikci a odhad budoucích hodnot. Práce s velkými datovými soubory: Dovednosti v práci s velkými datovými soubory a schopnost efektivně provádět analýzy na velkém množství dat jsou důležité v moderním statistickém prostředí. Interpretace výsledků: Student by měl být schopen interpretovat výsledky statistických analýz a vysvětlovat významná statistická zjištění z hlediska reálných aplikací. Kritické myšlení: Důležité je kritické myšlení a schopnost posuzovat kvalitu dat, vhodnost statistických metod a interpretaci výsledků. Práce s reálnými daty: Student by měl mít zkušenosti s prací s reálnými daty a prováděním statistických analýz na reálných problémech. Těmito dovednostmi je student připraven na studium a aplikaci počítačových metod statistiky, což zahrnuje analýzu a interpretaci dat, a umožňuje studentovi úspěšně řešit různé statistické problémy v různých oblastech, včetně vědeckého výzkumu, průmyslu, finančního sektoru a dalších. |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| Plánování experimentů: Student má hlubší porozumění základním principům plánování experimentů, včetně výběru vhodných faktorů a úrovní, návrhu experimentálního plánu a strategií pro získání relevantních dat. |
| Plánování experimentů: Student má hlubší porozumění základním principům plánování experimentů, včetně výběru vhodných faktorů a úrovní, návrhu experimentálního plánu a strategií pro získání relevantních dat. |
| Statistické metody: Student má znalost různých statistických metod používaných v plánování experimentů, včetně analýzy rozptylu (ANOVA), regrese, metody optimálního návrhu experimentu a dalších. |
| Statistické metody: Student má znalost různých statistických metod používaných v plánování experimentů, včetně analýzy rozptylu (ANOVA), regrese, metody optimálního návrhu experimentu a dalších. |
| Plánování experimentů: Student je seznámen s různými typy designů experimentů, včetně kompletního faktoriálního designu, frakcionálního faktoriálního designu, blokového designu, a je schopen vybrat ten nejvhodnější pro konkrétní aplikaci. |
| Plánování experimentů: Student je seznámen s různými typy designů experimentů, včetně kompletního faktoriálního designu, frakcionálního faktoriálního designu, blokového designu, a je schopen vybrat ten nejvhodnější pro konkrétní aplikaci. |
| Analýza dat: Student rozumí způsobům analýzy dat z experimentů, včetně interpretace výsledků, identifikace vlivů faktorů a optimalizace procesů na základě získaných informací. |
| Analýza dat: Student rozumí způsobům analýzy dat z experimentů, včetně interpretace výsledků, identifikace vlivů faktorů a optimalizace procesů na základě získaných informací. |
| Software pro plánování experimentů: Student má znalosti v používání speciálního software pro plánování experimentů, což může zahrnovat softwary jako Minitab, Design-Expert, JMP a další. |
| Software pro plánování experimentů: Student má znalosti v používání speciálního software pro plánování experimentů, což může zahrnovat softwary jako Minitab, Design-Expert, JMP a další. |
| Kritické myšlení: Student je schopen kriticky posuzovat výsledky experimentů, zjištění a způsoby, jakými byly data získány, a může navrhovat zlepšení experimentálního designu. |
| Kritické myšlení: Student je schopen kriticky posuzovat výsledky experimentů, zjištění a způsoby, jakými byly data získány, a může navrhovat zlepšení experimentálního designu. |
| Aplikace v praxi: Student je schopen aplikovat své znalosti plánování experimentů v reálných situacích a řešit problémy v průmyslovém, vědeckém nebo inženýrském kontextu. |
| Aplikace v praxi: Student je schopen aplikovat své znalosti plánování experimentů v reálných situacích a řešit problémy v průmyslovém, vědeckém nebo inženýrském kontextu. |
| Statistická validita: Student rozumí základním principům statistické validity a způsobům, jak zabránit zkreslením výsledků experimentů. |
| Statistická validita: Student rozumí základním principům statistické validity a způsobům, jak zabránit zkreslením výsledků experimentů. |
| Kritéria hodnocení úspěchu experimentu: Student má znalost kritérií pro hodnocení úspěšnosti experimentu a schopnost posoudit, zda byly splněny požadované cíle. |
| Kritéria hodnocení úspěchu experimentu: Student má znalost kritérií pro hodnocení úspěšnosti experimentu a schopnost posoudit, zda byly splněny požadované cíle. |
| Etika a normy: Student je obeznámen s etickými a regulačními aspekty týkajícími se plánování a provádění experimentů, včetně ochrany osobních údajů a dodržování norem a předpisů. |
| Etika a normy: Student je obeznámen s etickými a regulačními aspekty týkajícími se plánování a provádění experimentů, včetně ochrany osobních údajů a dodržování norem a předpisů. |
| Tyto odborné znalosti umožňují studentovi efektivně plánovat, provádět a analyzovat experimenty s cílem optimalizovat procesy, zlepšit kvalitu a dosáhnout konkrétních cílů. Po absolvování předmětu je student schopen aplikovat metody plánování experimentů v různých oblastech, včetně výzkumu a vývoje, průmyslového inženýrství, farmaceutického průmyslu, a dalších. |
| Tyto odborné znalosti umožňují studentovi efektivně plánovat, provádět a analyzovat experimenty s cílem optimalizovat procesy, zlepšit kvalitu a dosáhnout konkrétních cílů. Po absolvování předmětu je student schopen aplikovat metody plánování experimentů v různých oblastech, včetně výzkumu a vývoje, průmyslového inženýrství, farmaceutického průmyslu, a dalších. |
| Odborné dovednosti |
|---|
| Plánování experimentů: Student má schopnost plánovat experimenty, včetně výběru faktorů, jejich úrovní a návrhu experimentálního plánu tak, aby byly dosaženy konkrétní cíle experimentu. |
| Plánování experimentů: Student má schopnost plánovat experimenty, včetně výběru faktorů, jejich úrovní a návrhu experimentálního plánu tak, aby byly dosaženy konkrétní cíle experimentu. |
| Výběr vhodných statistických metod: Student je schopen vybrat vhodné statistické metody pro analýzu dat z experimentů, včetně analýzy rozptylu (ANOVA), regrese, metody optimálního návrhu experimentu (DOE) a dalších. |
| Výběr vhodných statistických metod: Student je schopen vybrat vhodné statistické metody pro analýzu dat z experimentů, včetně analýzy rozptylu (ANOVA), regrese, metody optimálního návrhu experimentu (DOE) a dalších. |
| Práce s experimentálními daty: Student má dovednost sbírat experimentální data a zpracovávat je v souladu s plánem experimentu. To zahrnuje schopnost provádět měření a zaznamenávat data přesně a spolehlivě. |
| Práce s experimentálními daty: Student má dovednost sbírat experimentální data a zpracovávat je v souladu s plánem experimentu. To zahrnuje schopnost provádět měření a zaznamenávat data přesně a spolehlivě. |
| Interpretace výsledků: Student je schopen interpretovat výsledky experimentu a identifikovat vlivy faktorů na zkoumaný proces nebo systém. |
| Interpretace výsledků: Student je schopen interpretovat výsledky experimentu a identifikovat vlivy faktorů na zkoumaný proces nebo systém. |
| Optimalizace procesů: Student má dovednost provádět optimalizaci procesů na základě zjištění z experimentů a navrhovat změny a vylepšení. |
| Optimalizace procesů: Student má dovednost provádět optimalizaci procesů na základě zjištění z experimentů a navrhovat změny a vylepšení. |
| Používání statistického software: Student je schopen efektivně používat statistický software pro plánování a analýzu experimentů, což zahrnuje znalost syntaxe, příkazů a funkcí používaných v daném softwaru. |
| Používání statistického software: Student je schopen efektivně používat statistický software pro plánování a analýzu experimentů, což zahrnuje znalost syntaxe, příkazů a funkcí používaných v daném softwaru. |
| Kritické myšlení: Student je schopen kriticky posuzovat experimentální postupy, výsledky a závěry a provádět kontrolu kvality experimentů. |
| Kritické myšlení: Student je schopen kriticky posuzovat experimentální postupy, výsledky a závěry a provádět kontrolu kvality experimentů. |
| Aplikace v praxi: Student má schopnost aplikovat své dovednosti plánování experimentů v různých aplikacích, včetně vědeckého výzkumu, průmyslového inženýrství, farmacie, vývoje výrobků a dalších oblastí. |
| Aplikace v praxi: Student má schopnost aplikovat své dovednosti plánování experimentů v různých aplikacích, včetně vědeckého výzkumu, průmyslového inženýrství, farmacie, vývoje výrobků a dalších oblastí. |
| Práce s týmem: Student může pracovat v týmu a komunikovat s kolegy a odborníky, aby společně navrhli, provedli a analyzovali experimenty. |
| Práce s týmem: Student může pracovat v týmu a komunikovat s kolegy a odborníky, aby společně navrhli, provedli a analyzovali experimenty. |
| Etické záležitosti: Student je obeznámen s etickými aspekty týkajícími se plánování a provádění experimentů, včetně ochrany osobních údajů a dodržování etických a regulačních norm a předpisů. |
| Etické záležitosti: Student je obeznámen s etickými aspekty týkajícími se plánování a provádění experimentů, včetně ochrany osobních údajů a dodržování etických a regulačních norm a předpisů. |
| Tyto odborné dovednosti umožňují studentovi efektivně plánovat, provádět a analyzovat experimenty s cílem optimalizovat procesy, zlepšit kvalitu výrobků a dosáhnout stanovených cílů v různých profesních a výzkumných kontextech. Po absolvování předmětu bude student schopen použít počítačové metody plánování experimentů jako nástroj pro efektivní řešení reálných problémů a inovaci v průmyslu a vědě. |
| Tyto odborné dovednosti umožňují studentovi efektivně plánovat, provádět a analyzovat experimenty s cílem optimalizovat procesy, zlepšit kvalitu výrobků a dosáhnout stanovených cílů v různých profesních a výzkumných kontextech. Po absolvování předmětu bude student schopen použít počítačové metody plánování experimentů jako nástroj pro efektivní řešení reálných problémů a inovaci v průmyslu a vědě. |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Individuální práce studentů |
| Metody práce s textem (učebnicí, knihou) |
| Monologická (výklad, přednáška, instruktáž) |
| Monologická (výklad, přednáška, instruktáž) |
| Metody práce s textem (učebnicí, knihou) |
| Individuální práce studentů |
| Cvičení na počítači |
| Cvičení na počítači |
| Dialogická (diskuze, rozhovor, brainstorming) |
| Dialogická (diskuze, rozhovor, brainstorming) |
| Odborné dovednosti |
|---|
| Cvičení na počítači |
| Cvičení na počítači |
| Individuální práce studentů |
| Individuální práce studentů |
| Praktické procvičování |
| Praktické procvičování |
| Analýza prezentace |
| Analýza prezentace |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Analýza edukačního materiálu |
| Ústní zkouška |
| Analýza edukačního materiálu |
| Písemná zkouška |
| Ústní zkouška |
| Písemná zkouška |
| Ústní zkouška |
| Ústní zkouška |
| Známkou |
| Známkou |
|
Doporučená literatura
|
-
David J. Whitehouse. Handbook of Surface and Nanometrology, Second Edition 2nd Edition, Kindle Edition. 2010 Amazon Media EU.
-
DUPAČ, V. Pravděpodobnost a matematická statistika. 2. upr. vyd.. Praha: Karolinum, 2013. ISBN 978-80-246-2208-8.
-
Hendl, J. Přehled statistických metod zpracování dat. Praha: Portál, 2004.
-
Kjell, J. Optical Metrology. England: John Willey and Sons, 2003. ISBN 0470843004.
-
MELOUN, M., MILITKÝ, J. Kompendium statistického zpracování dat. Praha: Karolinum, 2012. ISBN 978-80-246-2196-8.
-
Meloun, Milan. Statistická analýza experimentálních dat. Vyd. 2., upr. a rozš. Praha : Academia, 2004. ISBN 80-200-1254-0.
-
MONTGOMERY, D.C. Introduction to Statistical Quality Control. 5th Ed.. Hoboken: John Wiley, 2005. ISBN 0471661228.
-
NENADÁL, J. Měření v systémech managementu jakosti. Praha: Management Press, 2004. ISBN 80-7261-110-0.
-
PATA, V., KUBIŠOVÁ, M. Statistické metody hodnocení jakosti strojírenských povrchů. Zlín: FT UTB, 2018. ISBN 978-80- 7454-740-.
-
Smith, Graham T. Industrial Metrology. 2002. ISBN 978-1-85233-507-6.
-
TOŠENOVSKÝ, J. Statistické metody pro zlepšování jakosti. Ostrava: Montanex, 2000. ISBN 80-7225-040-X.
-
ZVÁRA, K., ŠTĚPÁN, J. Pravděpodobnost a matematická statistika. 6. vyd.. Praha: Matfyzpress, 2019. ISBN 978-80-7378-388-.
|