Menu Content/Inhalt
TriloByte Home arrow Studijní programy
Studijní programy Tisk E-mail
Pátek, 20 prosinec 2013
TBSA - TriloByte Statistical Academy


Každý studijní program je samostatný, ukončený certifikátem o absolvovaném studiu.
Výuka je doplněna samostatným řešením úloh a semestrální prací z oboru studujícího.
Výuka probíhá interaktivně v počítačové učebně ve výukovém centru TriloByte, Staré Hradiště.
Výuka je individuální a intenzivní, ve skupinách maximálně osmi studentů.
Součástí studia jsou tištěné studijní materiály a individuální konzultace.
Výsledky účastníka jsou hodnoceny prostřednictvím seminárních prací.
Průběh a výsledky studia jsou průběžně evidovány ve Výkazu o studiu (INDEX).
Výuka probíhá na PC v počítačové učebně s možností použití vlastního notebooku.
Studující má po dobu výuky k dispozici osobní licenci statistického software.
Studijní program trvá šest měsíců a zahrnuje šest dvoudenních (6+6 hod) soustředění.

Název studijního programu: Statistické metody pro technologii a výzkum I
Degree: Certified Data Analyst

Denní rozvrh všech soustředění: 1. den: 9. – 16. hod., 2. den: 9.- 16. hod.

Témata a termíny jednotlivých soustředění:
1.soustředění, 14. – 15. září 2016
  • Základy pravděpodobnosti, náhodné jevy, náhodná veličina. Rozdělení spojité náhodné veličiny, statistiky, metody odhadů a jejich vlastnosti. Základy „Statistical thinking“.
2.soustředění, 19. – 20. října 2016
  • Intervaly spolehlivosti. t, χ2 a F- rozdělení. Statistické testování, parametrické a neparametrické testy. Simulační metody, metody Monte-Carlo, Bootstrap.
3.soustředění, 9. – 10. listopadu 2016
  • Lineární algebra a maticové operace. Násobení, inverze, pseudoinverze, faktorizace, vlastní čísla. Vícerozměrné rozdělení. Korelace, analýza hlavních komponent (PCA).
4.soustředění, 7. – 8. prosince 2016
  • Podmíněná střední hodnota. Lineární regresní model, jeho parametry a vlastnosti. Problémy při lineární regresi. Transformace proměnných, polynomická a logistická regrese.
5.soustředění, 18. – 19. ledna 2017
  • Lineární modely. Analýza rozptylu. Koncept dummy proměnných v analýze rozptylu, regresi a klasifikaci. Návrh a analýza faktoriálního experimentu. Základy MSA.
6.soustředění, 15. – 16. února 2017
  • Nástroje pro SPC. Stabilita procesu. Shewhartovy regulační diagramy. Identifikace bodu změny, kumulativní součty, CUSUM diagram. Způsobilost a indexy způsobilosti.
Výuka je doplněna samostatným řešením úloh a semestrální prací z oboru studujícího. Součástí studia jsou tištěné studijní materiály a individuální konzultace. Výsledky účastníka jsou hodnoceny.

Výuka probíhá na PC v počítačové učebně s možností použití vlastního notebooku. Studující má po dobu výuky k dispozici osobní licenci statistického software.

Kurz je ukončen semestrální prací a certifikátem o absolvování kurzu.

Studijní program Statistické metody pro technologii a výzkum je koncipován do čtyř na sebe navazujících semestrů.


Témata jednotlivých soustředění:
1. Základy pravděpodobnosti, náhodné jevy, náhodná veličina. Rozdělení spojité náhodné veličiny, statistiky, odhady a jejich vlastnosti. Základy „Statistical thinking“.
2. Intervaly spolehlivosti. t-, χ2 a F- rozdělení. Statistické testování. Robustnost. Simulační metody, metody Monte-Carlo, Bootstrap.
3. Lineární algebra a maticové operace. Vícerozměrné rozdělení. Korelace, PCA.
4. Podmíněná střední hodnota. Lineární regresní model, jeho parametry a vlastnosti. Problémy při lineární regresi.
5. Analýza rozptylu. Koncept dummy proměnných. Návrh a analýza faktoriálního experimentu. Základy MSA.
6. Nástroje pro SPC. Variabilita procesu. Minimalizace ztráty. Stabilita procesu. Shewhartovy regulační diagramy. Způsobilost a indexy způsobilosti.
Ukončení semestru, hodnocení seminární práce, celkové hodnocení.



Název studijního programu: Statistické metody pro technologii a výzkum II
Degree: Statistical Modelling and Data Analysis Certificate (SMDA)

Témata jednotlivých soustředění:
1. Spojitá rozdělení, odhady parametrů. Asymetrická rozdělení, Weibullovo rozdělení, spolehlivost, lognormální rozdělení, transformace, směsi rozdělení, rozdělení součtu. Informace a entropie.
2. Exploratorní analýza. Grafické diagnostické metody. Parametrické a neparametrické testy. Vícerozměrné normální rozdělení, Mahalanobisova vzdálenost, rozklady kovarianční matice, metody vícerozměrné analýzy.
3. Vícerozměrná lineární regrese, vlastnosti a předpoklady, multikolinearita, optimální plány. Robustní metody, vážené nejmenší čtverce, M-odhady. Logistická regrese.
4. Transformace proměnných, polynomický model, ortogonalizace, Taylorův rozvoj a responsní povrch. Nelineární regrese, tvorba modelu, reparametrizace, derivační a nederivační algoritmy optimalizace.
5. Modely s kategorickými proměnnými. Substituce dummy-proměnnými. Zobecněná analýza rozptylu.
6. Základy shlukové analýzy, dissimilarity matrix, dendrogramy, k-means, klasifikace, diskriminační analýza. Stromy, CART.
Ukončení semestru, hodnocení seminární práce, celkové hodnocení.



Název studijního programu: Statistické metody pro technologii a výzkum III
Degree: Statistics Professional Certificate (SP)

Témata jednotlivých soustředění:
1. Základy lineární algebry. Lineární operátory. Vícerozměrnná náhodná veličina a kovarianční matice. Ortogonalizace a hlavní komponenty. Redukce dimenzionality dat.
2. Pokročilé metody lineární regrese. Linearizace. Podmíněnost a stabilita. Regularizace, Ridge, Lasso, PCR regrese, PLS, regresní diagnostiky.
3. Klasifikační modely. Neuronová síť a její vlastnosti. Klasifikace pomocí neuronové sítě. Support Vector Machines. Klasifikace pomocí SVM. Machine Learning.
4. Nelineární optimalizace. Gauss-Newtonova metoda a její modifikace. Back-propagation, optimalizace neuronové sítě. Regrese pomocí neuronové sítě. Regrese pomocí SVM.
5. Pokročilé vícerozměné metody a analýza nečíselných dat. CA, MDS. Práce s reálnými databázemi. Základy SQL, select. Imputace, rekonstrukce a synchronizace dat.
6. Formulace reálných problémů do statistických aplikací, závěrečná práce.
Ukončení semestru, hodnocení seminární práce, celkové hodnocení.



Název studijního programu: Statistical Computing Laboratory
Degree: Statistical Computing Professional (SCP)

Témata jednotlivých soustředění:
1. Základy programování v DARWinu. Typy a struktury proměnných. Struktury algoritmu. Generátory pseudonáhodných dat. Simulace procesů.
2. Interakce s okolím. Import a export dat. Přístup k databázím a souborové operace. Tvorba reportů a tabulek.
3. Simulační postupy, Bootstrap a jeho interpretace. Iterativní algoritmy. Optimalizace algoritmu.
4. Formulace autorského projektu.
5. Práce na projektu.
6. Ukončení, vyhodnocení a implementace projektu.
Ukončení semestru, hodnocení seminární práce, celkové hodnocení.



Název studijního programu: Analýza dat a tvorba aplikací
Degree: System Data Analyst Professional (SDAP)

Témata jednotlivých soustředění:
1. Databázové struktury, typy dat, interakce s databází, formáty dat, konverze dat.
2. Administrace databáze QCE DataCenter, přístup a práva. Operace s tabulkami. Vizualizace dat.
3. Základy jazyka SQL. Příkaz Select. Správa databáze. Interakce se zdroji dat. ODBC, import, konverze.
4. Nástroje jazyka DARWin. Datová interakce s prostředím, formáty dat. Maticové a datové funkce, indexy.
5. Analýza databází, statistické modelování, nástroje KDD a Data Mining, vizualizace, reporting, automatizace analýz, Batch processing.
6. Tvorba uživatelského rozhraní, integrace analytických aplikací, systémová optimalizace procesů. Data flow management.
Ukončení semestru, hodnocení seminární práce, celkové hodnocení.



Název studijního programu: Statistické metody pro řízení jakosti
Degree: Statistical Quality Management Professional (SQMP)

Témata jednotlivých soustředění:
1. Jednorozměrná spojitá a diskrétní rozdělení.  EDA. Variabilita, ztráta. Způsobilost a její měření.
2. Shewhartovy regulační diagramy. Vícerozměrné rozdělení. Korelace. PCA. Hotellingovy diagramy.
3. Autokorelace. Detekce změny procesu. Cusum a EWMA diagramy. Metody diagnostiky procesů.
4. Analýza rozptylu. Lineární regrese. DOE, faktoriální plány. Responsní plochy, optimalizace procesu. MSA.
5. Základy spolehlivosti, Weibullova analýza. Analýza rizik FMEA/FMECA. Základy statistické přejímky.
6. Pokročilé modelování a optimalizace procesů. Vícerozměrné prediktivní modely, neuronové sítě.
Ukončení semestru, hodnocení seminární práce, celkové hodnocení.


Aktualizováno ( Úterý, 17 květen 2016 )
 

Přihlášení

E-Shop

Odborná literatura Sborníky Software
Obsah objednávky
Vaše objednávka neobsahuje žádné položky

Anketa

O jaké kurzy a texty byste měli zájem?
powered by www.trilobyte.cz