Umělá inteligence |
Vícerozměrné metody pro analýzu a klasifikaci dat |
Statistické modelování |
Teorie a praxe jádrového vyhlazování |
Seznam použitého značení |
Jádrové funkce a jejich vlastnosti |
Jádrové odhady regresní funkce |
Regresní modelování |
Statistické hodnocení biodiverzity |
Výstupy z výukové jednotky |
Motivace |
Základní typy neparametrických odhadů |
Statistické vlastnosti jádrových odhadů |
Volba jádra |
Volba vyhlazovacího parametru |
Automatická procedura |
Aplikace na reálná data |
Shrnutí |
Dodatek |
Úlohy k procvičení |
Jádrové odhady hustoty |
Výstupy z výukové jednotky |
Motivace |
Základní typy neparametrických odhadů |
Statistické vlastnosti jádrových odhadů hustoty |
Volba jádra |
Volba vyhlazovacího parametru |
Jádrové odhady distribuční funkce |
Metoda referenční hustoty |
Metoda maximálního vyhlazení |
Metoda křížového ověřování |
Iterační metoda |
Automatická procedura |
Aplikace na reálná data |
Shrnutí |
Úlohy k procvičení |
Výstupy z výukové jednotky |
Motivace |
Základní typy neparametrických odhadů |
Statistické vlastnosti odhadu |
Volba jádra |
Volba vyhlazovacího parametru |
Aplikace na reálná data |
Shrnutí |
Úlohy k procvičení |
Jádrové odhady dvourozměrných hustot |
Výstupy z výukové jednotky |
Motivace |
Základní typy odhadů |
Statistické vlastnosti jádrových odhadů hustoty |
Volba jádra |
Volba vyhlazovacího parametru |
Aplikace na reálná data |
Shrnutí |
Dodatek |
Úlohy k procvičení |
Datové soubory |
Tabulka 1 |
Tabulka 2 |
Tabulka 3 |
Tabulka 4 |
Tabulka 5 |
Tabulka 6 |
Tabulka 7 |
Tabulka 8 |
Tabulka 9 |
Tabulka 10 |
Tabulka 11 |
Tabulka 12 |
Tabulka 13 |
Tabulka 14 |
Tabulka 15 |
Přílohy |
Literatura |
Výstupy z výukové jednotky
Student:
- zná součinová a sférická dvourozměrná jádra pro odhady dvourozměrných hustot,
- rozumí principu vyhlazování dvourozměrných hustot,
- chápe nejjednodušší metody pro volbu prvků diagonální vyhlazovací matice,
- zvládá použití příslušného toolboxu v Matlabu pro simulační studii i pro zpracování reálných dat.
