Ostatní

Multimediání elektronický výukový materiál Metodika ke zpracování závěrečné práce pro vybrané nelékařské zdravotnické obory je aktualizované, přepracované a doplněné vydání publikace. Cílem publikace je předání souhrnných informací potřebných pro zpracování závěrečné (kvalifikační) práce, podpora orientace v metodologii výzkumu a v realizaci jednotlivých výzkumných kroků. Koncepce předkládané metodologie výzkumu je v souladu s všeobecnými vědecko-výzkumnými požadavky, aktuálními právními předpisy, směrnicemi Masarykovy univerzity (MU) a Lékařské fakulty Masarykovy univerzity (LF MU), včetně Studijního a zkušebního řádu MU.

Sbírka příkladů “Lineární a adaptivní zpracování dat: řešené úlohy v MATLABu” vznikla jako studijní opora k předmětu Lineární a adaptivní zpracování dat (Bi0440). Náplní sbírky jsou příklady, které ukazují použití metod z oblasti digitálního zpracování a analýzy signálů, jejichž cílem je zvýrazňování signálu v šumu nebo transformace naměřených dat tak, aby mohly být objeveny jejich zdánlivě skryté vlastnosti. Sbírku tvoří rozřešené sady skriptů a funkcí v MATLABu, které má student za úkol doplnit podle pokynů v komentářích a dokument se správnými výsledky a objasněním výpočtů.

Prvním cílem této publikace je ukázat studentům matematické biologie a dalším čtenářům analýzu a zpracování dat z pohledu teorie lineárních systémů, které zde vystupují jednak v roli generátorů dat a dále také v roli prostředků pro analýzu a zpracování dat. Druhým cílem je pak ukázat, jak lze efektivně řešit vybrané úlohy z této oblasti pomocí výpočetních nástrojů v prostředí MATLAB.

V současné době je sice možné najít na internetu různé zdroje, které poskytují určitý návod na přípravu vědeckých publikací, ale jen málo těchto zdrojů je určených pro začínající vědce v našem regionu. Většina těchto zdrojů je navíc dostupná v anglickém jazyce a neberou tedy v úvahu rozdíly mezi prací s textem mezi češtinou a angličtinou. Domníváme se tedy, že by bylo velmi užitečné, aby studenti postgraduálního studia na LF MU měli k dispozici jasný a přehledný návod, jak postupovat při přípravě publikací, který by zohledňoval místní zvláštnosti češtiny a práce s textem v češtině a zlepšoval obecně publikační výstupy začínajících vědeckých pracovníků na LF MU.

V přírodovědných oborech se stále více začínají mimo klasických vícerozměrných parametrických technik používat i novější techniky neparametrické. Je to způsobeno především povahou biologických dat, která často nesplňují nároky na použití parametrických metod. Rovněž datové soubory nabývají na objemu a množství dat, ze kterých chceme získat zajímavou informaci, utěšeně roste. Tím však pochopitelně rostou i nároky na jejich zpracování.

Za celou dobu, po kterou se rozvíjejí metody analýzy a klasifikace dat, dostala tato disciplina mnohá jména. Tyto různé názvy ani tak nesouvisí s vlastní podstatou tohoto způsobu práce s daty, jako spíše s účelem zpracování. Asi nejobecnější název zní „rozpoznávání obrazů“, v angličtině „pattern recognition“. Ve skutečnosti ale nejde o žádné obrazy ve smyslu děl Leonarda da Vinci či jiných velikánů výtvarného umění (jak by bylo možné vyvozovat z českého překladu), nýbrž o pouhý matematický popis vlastností reálného objektu, jehož stav chceme hodnotit, nějakým abstraktním způsobem – např. vektorem hodnot, grafem, apod.

Zpracování signálů je klasická technická, nebo možná ještě lépe elektrotechnická disciplína. Ukazuje se však čím dál tím více, že pojmy a teoretické nástroje používané v tomto oboru mohou být užitečnou alternativou a doplňkem statistických postupů používaných při analýze časových řad v medicíně, epidemiologii, analýze procesů probíhajících v našem životním prostředí i ekonomice, a mnoha dalších odborných oblastech.

Cílovými čtenáři této publikace jsou studenti matematické biologie, kterým chceme tímto učebním textem podat srozumitelný přehled základů biostatistiky v kontextu hodnocení biologických a klinickch dat. Vzhledem k rozsahu skript však bylo nutné vybrat pouze klíčové metody, bez nichž si nelze zpracování dat vůbec představit, a na řadu používaných metod se tak v tomto textu vůbec nedostalo. Skripta proto neslouží jako náhrada přednášek, slouží pouze jako jejich doplnění.

Biodiverzita je často diskutovaným pojmem a to zejména v oblasti ekologie a ochrany životního prostředí, kdy je nicméně často používán pouze ve své subjetivní podobě. Zároveň jde o pojem mnohem širší a týkající se nejenom taxonomické rozrůzněnosti živé přírody. Pojem diverzita se prolíná všemi úrovněmi živé hmoty od diverzity biochemických drah v rámci buňky, genetickou diverzitu organismů, složení biologických společenstev až po strukturu ekosystémů. Z matematického hlediska vyrůstá pojem diverzita z informační teorie a zjednodušeně ji můžeme popsat jako míru informace obsažené v hodnoceném systému; řada metod používaných pro hodnocení biodiverzity je v tomto kontextu odvozena a využívána v celé řadě dalších oblastí vědeckého výzkumu.

Vícerozměrné statistické metody představují velice užitečný nástroj pro uchopení, zjednodušení a vizualizaci velmi složitých dat. Použitelnost těchto metod v přírodních vědách je velmi široká, často se s nimi setkáváme nejenom v ekologii, experimentální biologii, medicíně, antropologii, environmentální chemii, ale i v geografii a geologii. Zpracování rozsáhlých biologických a hlavně ekologických dat se bez znalosti vícerozměrných statistických metod již neobejde. Na druhou stranu mohou v případě nesprávného užití vést k zavádějícím výsledkům, jejichž chybnost nemusí být ovšem na první pohled zřejmá, protože je skryta za složitou strukturou dat a komplikovaností výpočtu. Znalost vícerozměrných statistických metod se tak stala potřebnou součástí biologického vzdělání.