|
Vyučující
|
-
Pánek David, doc. Ing. Ph.D.
|
|
Obsah předmětu
|
1. Úvod - zpracování signálů a analýzy dat. Význam předzpracování dat. 2. Zdroje dat a datové formáty - typy zdrojů: senzory, průmyslové systémy, logy, API, web scraping, strukturovaná, polostrukturovaná a nestrukturovaná data. 3. Základní pojmy a metody - normalizace, standardizace, vliv outlierů, redukce dimenzionality, výběr příznaků, 4. Časové řady - práce s chybějícími hodnotami (interpolace, doplnění), 5. Časové řady - klouzavé statistiky, dekompozice (trend, sezónnost), 6. Časové řady - spektrální analýza (FFT, STFT), wavelety, vzorkování, 7. Obrazová data - změna velikosti a normalizace pixelů, barevné prostory (RGB, grayscale), 8. Obrazová data - augmentace (rotace, zvětšení, oříznutí, šum), filtrace (rozostření, Gauss, Median), 9. Obrazová data - histogram equalization, segmentace (thresholding, watershed, CNN-based), 10. Textová data - předzpracování textu (čištění, odstranění stop slov, lemmatizace), 11. Textová data - tokenizace, N-gramy, TF-IDF, 12. Textová data - vektorové reprezentace slov, kontextové modely, 13. Zpracování signálů a analýza dat v průmyslové informatice.
|
|
Studijní aktivity a metody výuky
|
Individuální konzultace, Skupinová konzultace, Samostatná práce studentů
- Příprava na dílčí test [2-10]
- 10 hodin za semestr
- Příprava na zkoušku [10-60]
- 40 hodin za semestr
- Projekt individuální [40]
- 25 hodin za semestr
- Kontaktní výuka
- 52 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| vysvětlit základní statistické pojmy jako průměr, medián, rozptyl, směrodatná odchylka a korelace |
| popsat základní pojmy lineární algebry, zejména pojem vektoru, matice, skalárního součinu a ortogonality |
| uvést principy základních metod analýzy dat, jako je klasifikace, regrese a význam příznaků |
| rozpoznat význam redukce dimenzionality (např. PCA) a znát základní související pojmy jako vlastní hodnota a vlastní vektor |
| Odborné dovednosti |
|---|
| vytvářet a upravovat jednoduché skripty |
| napsat skript/ program, který čte a zpracovváv tabulková data |
| provádět základní vizualizace dat |
| pracovat se základními datovými a programovými strukturami (seznamy, slovníky, cykly, funkce) |
| načíst datový soubor (např. CSV), zkontrolovat ho a provést základní čištění dat |
| Obecné způsobilosti |
|---|
| mgr. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
| mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i laikům informace o povaze odborných problémů a vlastním názoru na jejich řešení, |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| vysvětlit význam předzpracování dat v kontextu datové analýzy a modelování |
| popsat základní techniky normalizace, standardizace a detekce odlehlých hodnot |
| rozlišit různé přístupy k redukci dimenzionality a výběru příznaků a vysvětlit jejich využití |
| charakterizovat specifika časových, obrazových a textových dat z hlediska jejich struktury a vhodného způsobu zpracování |
| porovnat různé metody reprezentace textu a obrazu v numerické podobě |
| popsat základní principy spektrální a časově-frekvenční analýzy |
| Vysvětlit význam předzpracování dat v kontextu datové analýzy a modelování. |
| Odborné dovednosti |
|---|
| navrhnout vhodné postupy předzpracování pro různé typy dat a účely |
| analyzovat kvalitu dat a provádět kroky k jejich očištění a transformaci |
| aplikovat techniky vyhlazování, interpolace, dekompozice a transformace časových řad |
| provádět základní operace s obrazovými daty, jako je změna rozlišení, filtrací a segmentace |
| připravit textová data pro následné zpracování včetně tokenizace, redukce slovních forem a převodu do vektorové podoby |
| kombinovat různé techniky předzpracování tak, aby odpovídaly požadavkům konkrétního úkolu (např. klasifikace, predikce, shlukování) |
| Obecné způsobilosti |
|---|
| mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i širší veřejnosti vlastní odborné názory, |
| mgr. studium: dle vyvíjejících se souvislostí a dostupných zdrojů vymezí zadání pro odborné činnosti, koordinují je a nesou konečnou odpovědnost za jejich výsledky, |
| mgr. studium: plánují, podporují a řídí s využitím teoretických poznatků oboru získávání dalších odborných znalostí, dovedností a způsobilostí ostatních členů týmu, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška založená na výkladu, |
| Přednáška s diskusí, |
| Odborné dovednosti |
|---|
| Cvičení (praktické činnosti), |
| Přednáška založená na výkladu, |
| Obecné způsobilosti |
|---|
| Projektová výuka, |
| Řešení problémů, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Kombinovaná zkouška, |
| Test, |
| Odborné dovednosti |
|---|
| Kombinovaná zkouška, |
| Praktická zkouška, |
| Obecné způsobilosti |
|---|
| Kombinovaná zkouška, |
| Průběžné hodnocení, |
|
Doporučená literatura
|
-
Ahad, Md. Atiqur Rahman; Mahbub, Upal; Turk, Matthew; Hartley, Richard. Computer vision : challenges, trends, and opportunities. First edition. 2025. ISBN 978-1-032-31705-2.
-
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. An Introduction to Statistical Learning. .
-
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. An introduction to statistical learning: with applications in R. 2017. ISBN 978-1-4614-7137-0.
-
Chris Chatfield. The Analysis of Time Series: An Introduction. New York. 2003.
-
Richard Szeliski. Computer Vision: Algorithms and Applications. 2020.
-
Simon J.D. Prince. Computer vision: models, learning and inference. 2012.
-
Steven Bird, Ewan Klein, and Edward Loper. Natural Language Processing with Python. .
|