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.