Sylabus. Zaawansowana analiza danych eksperymentalnych Advanced analysis of experimental data

Transkrypt

1 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 I rok magisterki, semestr zimowy Wymiar godzin 30 Kod przedmiotu 0951-K-S2-1-ZADE Kod Erasmus Liczba punktów ECTS 6 Język wykładowy polski Forma zajęć wykład Sposób zaliczenia końcowego Wymagania wstępne wobec studenta Skrócony opis przedmiotu Pełny opis przedmiotu Egzamin pisemny Brak 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. 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

2 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 3.3 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) 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 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 Cele (z punktu widzenia nauczyciela) Odniesienie do kierunkowy ch efektów kształcenia Efekty kształcenia Odniesienie do obszarowych efektów kształcenia Metody i środki dydaktyczne Kryteria i forma oceny 1. Przedstawienie metodologii analizy danych uzyskanych w podstawowych K_W03 Student/ka rozróżnia i klasyfikuje podstawowe źródła otrzymywania danych eksperymentalnych w zakresie nauk kognitywnych ze szczególnym uwzględnieniem X2A_W05 Praktyczne zadanie obliczeniowe.

4 doświadczeniach stosowanych w warsztacie naukowym neuronauk. metod stosowanych w badaniach naeuronauk. 2. Zapoznanie studentów z planowaniem procesu badawczego z uwzględnieniem właściwego doboru metod zaawansowanej analizy danych. K_W06 Student/ka potrafi zaplanować przeprowadzenie 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, X2A_W05 Referat z przykładem samodzielnej analizy sygnału TS. 3. Nauczenie studentów praktycznej umiejętności pomiarów aktywności kory mózgowej z użyciem aparatury EEG. K_U02 K_K02 Student/ka potrafi samodzielnie przeprowadzić proste (kilkuelektrodowe) badanie EEG i dokonać analizy z zastosowaniem dyskretnych transformat Fouriera. H2A_U03 H2A_K02 Prezentacja aparatury EEG oraz oprogramowa nia analitycznego. Raport badawczy. 4. Zapoznanie studentów z metodami prezentacji wyników analizy danych w profesjonalnej wizualizacji. K_U17 K_K04 Student/ka potrafi dokonać samodzielnej analizy statystycznej dużego zbioru danych oraz dokonać wyboru właściwego algorytmu wizualizacyjnego w celu prezentacji wyników określonej grupie docelowej. X2A_U02 Raport badawczy.

5 5. Nauczenie studentów przeprowadzenia samodzielnej zaawansowanej analizy danych na podstawie wyników neuroobrazowania K_U22 Student/ka potrafi przeprowadzić całościowy 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. P2A_U06 dyskusja Pisemna praca semestralna w arkusza badawczego.