Zaawansowana analiza danych
Transkrypt
Zaawansowana analiza danych
Sylabus Nazwa przedmiotu (w j. polskim i angielskim) Nazwisko i imię prowadzącego (stopień i tytuł naukowy) Zaawansowana analiza danych eksperymentalnych Advanced analysis of experimental data dr Grzegorz Osiński Rok i semestr studiów Wymiar godzin Kod przedmiotu Kod Erasmus Liczba punktów ECTS Język wykładowy Forma zajęć I rok magisterki, semestr zimowy 30 Sposób zaliczenia końcowego Egzamin pisemny Wymagania wstępne wobec studenta Brak Skrócony opis przedmiotu Zakres przedmiotu obejmuje zagadnienia analizy danych eksperymentalnych w szeroko pojętych badaniach interdyscyplinarnych ze szczególnym uwzględnieniem warsztatu badawczego w zakresie neuronauk i psychologii eksperymentalnej. Studenci poznają przykłady rzeczywistych badań naukowych w ujęciu paradygmatu badawczego. Podczas wykładów studenci wykorzystują zaawansowane narzędzia technologii komputerowych w procesach analizy i wizualizacji danych eksperymentalnych. Integralnym elementem wykładów jest omówienie podstaw analizy pomiarów aktywności mózgu oraz neuroobrazowania. Pełny opis przedmiotu Badania interdyscyplinarne wymagają szerokiej wiedzy na temat stosowania metod empirycznych na poszczególnych etapach procesu badawczego. Całościowe ujęcie problematyki pełnej analizy danych w ujęciu paradygmatu naukowego wymaga również stosowania zaawansowanych metod 0951-K-S2-1-ZADE 6 polski wykład analizy wyników nie tylko w prostym ujęciu metodologii statystycznej. Odpowiednie sformułowania hipotezy badawczej implikuje w sposób bezpośredni konieczność zastosowania metodologii analitycznej w oparciu o aparat matematycznych ze szczególnym uwzględnieniem zastosowania algorytmów numerycznych na różnych etapach analizy. Podstawowym problemem jest praktyczna implementacja logiki Boyla w procesie faktoryzacji matematycznej wyników oraz konieczności zastosowania metod logiki rozmytej w badaniach układów dyssypatywnych jakim bez wątpienia są procesy zachodzące w ludzkim mózgu. Pierwszym etapem analizy jest dopasowanie właściwych modeli rozkładu prawdopodobieństwa, określenie semantyki zmiennych losowych oraz wybór właściwych metod analizy wariacyjnej. Osobnym problemem jest analiza dużych zbiorów wieloparametrycznych danych eksperymentalnych również w procesach analizy on-line. Wymaga to opanowania metodologii tworzenia, analizy oraz konwersji dużych baz danych ze szczególnym uwzględnieniem metod Data Mining. Interpretacja szeregów czasowych musi być przeprowadzana w ujęciu metodologii uwzględniającej korelacje czasowo-przestrzenne oraz dynamikę zmian pramaetrów ( EEG, EKG, BS). Metody bezpośredniej interpretacji zachowań przebiegów czasowych (Time Series) wymagają stosowania specjalistycznych algorytmów interpolacji, aproksymacji, analiz wielowymiarowych PCA i ICA oraz stosowania szybkich transformat Fouriera (FFT). Studenci poznają też metody szczegółowe stosowane w badaniach dynamicznych układów nieliniowych. Różne metody wizualizacji wyników analizy danych są omawiane w ujęciu ich praktycznego wykorzystania w prezentacji końcowych wyników eksperymentu. Zakres tematów (bloki tematyczne) 1. Metodologia badań eksperymentalnych w neuronaukach. 1.1 Bazy danych i dane eksperymentalne 1.2 Parametryzacja danych. 2. Analiza wybranych metod eksperymentalnych 2.1 Proste pomiary parametrów fizjologicznych: tętno, ciśnienie, przewodność skóry, miografia. 2.2 Wieloparametryczne pomiary aktywności fizjologicznych EKG i EEG. 3. Analiza przebiegów czasowych – TIME SERIES – formaty danych. 3.1 Interpolacja, Aproksymacja. 3.2 Metody regresyjne i ekstrapolacja. 3.3 Rodzaje wizualizacji TS 3.4 Metody ICA 3.5 Metoda PCA 4. Analiza częstotliwościowa – FFT 5. Podstawy analizy obrazów w metodach neuroobrazowania. 6. Modele matematyczne – modelowanie i symulacje 7. Metody wizualizacyjne – wstęp do analizy przetwarzania obrazów. 8. Metody nieliniowe w analizie danych eksperymentalnych Literatura (Obowiązkowa, ponadobowiązkowa) Cele (z punktu widzenia nauczyciela) 1. Przedstawienie metodologii analizy danych uzyskanych w podstawowych Odniesienie do kierunkowy ch efektów kształcenia K_W03 Obowiązkowa: Daniel T. Larose “Odkrywanie wiedzy z danych”, PWN 2006 Ian Witten, Eibe Frank „Data Mining” ELSEVIER 2005 A Hrynkiewicz „Fizyczne metody diagnostyki medycznej” PWN 2002 A. Sobieszak „Podstawy EEG z miniatlasem” UP Wrocław 2005. Ponadobowiązkowa: Tom Soukop, Ian Davidson „Visual Data Mining” WILEY 2002 Grzegorz Sądek, Sylwia Bedyńska „Życie na czas” PWN 2010 Jack Cohen, Ian Stewart „The Collapse of Chaos” Penguin Groups 1995 Efekty kształcenia Student/ka rozróżnia i klasyfikuje podstawowe źródła otrzymywania danych eksperymentalnych w zakresie nauk kognitywnych ze szczególnym uwzględnieniem Odniesienie do obszarowych efektów kształcenia Metody i środki dydaktyczne X2A_W05 Prezentacja w formie wykładu, dyskusja. Kryteria i forma oceny Praktyczne zadanie obliczeniowe. doświadczeniach stosowanych w warsztacie naukowym neuronauk. 2. Zapoznanie studentów z planowaniem procesu badawczego z uwzględnieniem właściwego doboru metod zaawansowanej analizy danych. metod stosowanych w badaniach naeuronauk. K_W06 Student/ka potrafi zaplanować przeprowadzenie X2A_W05 eksperymentu w oparciu o analizę dużej ilości danych wieloparametrycznych zdeponowanych w utworzonej wcześniej bazie danych. Potrafi również zastosować metodologię analizy przebiegów czasowych dla poszczególnych wyników eksperymentalnych, Prezentacja w formie wykładu, dyskusja. 3. Nauczenie studentów K_U02 praktycznej K_K02 umiejętności pomiarów aktywności kory mózgowej z użyciem aparatury EEG. Student/ka potrafi samodzielnie przeprowadzić H2A_U03 proste (kilkuelektrodowe) badanie EEG i dokonać analizy z zastosowaniem dyskretnych H2A_K02 transformat Fouriera. Prezentacja Raport aparatury badawczy. EEG oraz oprogramowa nia analitycznego. 4. Zapoznanie studentów z metodami prezentacji wyników analizy danych w formie profesjonalnej wizualizacji. Student/ka potrafi dokonać samodzielnej X2A_U02 analizy statystycznej dużego zbioru danych oraz dokonać wyboru właściwego algorytmu wizualizacyjnego w celu prezentacji wyników określonej grupie docelowej. Prezentacja w Raport formie badawczy. wykładu, dyskusja. K_U17 K_K04 Referat z przykładem samodzielnej analizy sygnału TS. 5. Nauczenie studentów przeprowadzenia samodzielnej zaawansowanej analizy danych na podstawie wyników neuroobrazowania K_U22 Student/ka potrafi przeprowadzić całościowy P2A_U06 proces zaawansowanej analizy danych eksperymentalnych na podstawie dostarczonych wyników neuroobrazowania. Student/ka potrafi sam zapronowac zastosowanenie zarówno właściwej metody analizy obrazu jak odpowiedniego algorytmu Data Mining. Prezentacja w Pisemna praca formie semestralna w wykładu, formie arkusza dyskusja badawczego.