SLO | EN

Cilji in kompetence

Cilj tega predmeta je, da se študent osvoji metode aplikativne statistike in njihove uporabe v podatkovni znanosti.

Vsebina

• Uvod v zelene podatke (oblikovanje raziskovalne študije, hipoteze, raziskovalna vprašanja, vrste spremenljivk, EDA, statistično sklepanje) • Verjetnosti in porazdelitve (definiranje verjetnosti, pogojna verjetnost, normalna porazdelitev, binomska porazdelitev) • Osnove za statistično sklepanje (spremenljivost, izrek centralne tendence, intervali zaupanja, testiranje hipotez, statistična napaka, zaupanje) • Analiza numeričnih spremenljivk (t-test, moč, primerjava treh ali več spremenljivk (ANOVA), večkratne meritve (MANOVA)) • Analiza kategoričnih spremenljivk (primerjava dveh spremenljivk, primerjava treh ali več spremenljivk (hi – kvadrat in sorodni testi) • Uvod v linearno regresijo (razmerje med dvema številčnima spremenljivkama, linearna regresija z enim samim prediktorjem, Osamelci v linearni regresiji, statistično sklepanje na podlagi linearne regresije) • Linearna regresija z več spremenljivkami (regresija z več napovedmi, sklepanje, izbira modela in validacija) • Bayesov in Frekvenčni pristop (Bayesova verjetnost, vpliv predhodnih prepričanj, zaporedna statistika)

Metode poučevanja in učenja

• predavanja, • računalniške vaje.

Predvideni študijski rezultati - znanje in razumevanje

Znanje in razumevanje: • razumeti uporabo statističnih metod v podatkovni znanosti, • izbrati primerno statistično metodo in orodje in ju uporabiti za analizo tako podatkov kot za ocenitev uporabnosti rezultatov s stališča podatkovne znanosti. Prenosljive/ključne spretnosti in drugi atributi: • Spretnosti komuniciranja: učinkovito predstaviti rezultate statističnih analiz in njihove interpretacije ciljnim skupinam, • Uporaba programskih orodij: uporaba statistične programske opreme in jezikov, • Reševanje problemov v podatkovni znanosti: oblikovati raziskovalni pristop, postaviti hipoteze in raziskovalna vprašanja ter hipotezo preveriti in na raziskovalno vprašanje odgovoriti.

Temeljni literatura in viri

• Peter Bruce, Andrew Bruce, Practical Statistics for Data Scientists: 50 Essential Concepts. O'Reilly Media, May 2017 • Bradley Efron and Trevor Hastie, Computer Age Statistical Inference: Algorithms, Evidence, and Data Science, Institute of Mathematical Statistics Monographs, Jul 2016 • Douglas A. Wolfe and Grant Schneide, Intuitive Introductory Statistics, Springer, Oct 2017 • Tina Štemberger, Univariatne in bivariatne statistične metode v edukaciji, Univerza na Primorskem, 2016

Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti

Ni pogojev.

  • red. prof. dr. PETER KOKOL, univ. dipl. inž. el.

  • Pisni izpit: 50
  • Računalniško delo: 50

  • : 15
  • : 15
  • : 60

  • slovensko
  • slovensko