Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar		 Tantárgy Adatlap
Tantárgy kód BMETE47MC44
Tantárgy azonosító adatok
1. A tárgy címe Haladó R programozás: Adatelemzés
2. A tárgy angol címe Advanced R Programming: Data Analysis
3. Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa 0 + 2 + 0 f Kredit 3
4. Ajánlott/kötelező előtanulmányi rend
vagy Tantárgy kód 1 Rövid cím 1 Tantárgy kód 2 Rövid cím 2 Tantárgy kód 3 Rövid cím 3
4.1 BMETE47MC41 Bevezetés az R programoozásba
4.2
4.3
5. Kizáró tantárgyak
6. A tantárgy felelős tanszéke Kognitív Tudományi Tanszék
7. A tantárgy felelős oktatója Dr. Rácz Péter beosztása adjunktus
Akkreditációs adatok
8. Akkreditációra benyújtás időpontja 2023.05.24. Akkreditációs bizottság döntési időpontja 2023.06.08.
Tematika
9. A tantárgy az alábbi témakörök ismeretére épít
Kognitív tudomány, R programozás
10. A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
TTK Számítógépes és kognitív idegtudomány MSc képzés kötelezően választható tárgya
11. A tárgy részletes tematikája

Az óra témája a frekventista általánosított lineáris vegyes modell (generalised linear mixed model), amely a lineáris regresszió kiterjesztése olyan adatokra, amelyekben a függő változó eloszlása eltér a normálistól, illetve a modell a szokásos rögzített hatásokon túl véletlenszerű hatásokat is tartalmazhat. Az általánosított lineáris vegyes modellek széles körben elterjedtek a kísérletes pszichológiában, használatuk módszertani standardnak tekinthető. Segítségükkel megfelelően elemezhetünk olyan adatsorokat, mint a Likert skálás értékelések, a reakcióidők, a szemmozgások, vagy az EEG idővonalak. Az óra része a szakirodalom angol nyelvű feldolgozása.

Témák: Általánosított legkisebb négyzetek módszere. Logisztikus GLM. Multinomiális GLM. Ordinális GLM. Hierarchikus adatok. Ismételt mérések, idővonalak. Csoportos variancia. Előjeli és nagyságrendi hibák az adatelemzésben. Modellek összehasonlítása, az Akaike információs kritérium. Inferencia és predikció.
12. Követelmények, az osztályzat (aláírás) kialakításának módja
szorgalmi
időszakban		 Aktív részvétel az órákon, beadandó feladatok elkészítése. vizsga-
időszakban
13. Pótlási lehetőségek
TVSZ szerint
14. Konzultációs lehetőségek
Az oktató fogadóóráján, ill. e-mailben
15. Jegyzet, tankönyv, felhasználható irodalom
Grolemund G & Wickham H: R for Data Science. http://r4ds.had.co.nz/
Jennifer Hill, Aki Vehtari, Andrew Gelman. Regression and Other Stories. CUP
Richard McElreath. Statistical Rethinking. CRC Press.
16. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
16.1 Kontakt óra
28
16.2 Félévközi felkészülés órákra
48
16.3 Felkészülés zárthelyire
0
16.4 Zárthelyik megírása
0
16.5 Házi feladat elkészítése
0
16.6 Kijelölt írásos tananyag elsajátítása (beszámoló)
14
16.7 Egyéb elfoglaltság
0
16.8 Vizsgafelkészülés
0
16.9 Összesen
90
17. Ellenőrző adat Kredit * 30
90
A tárgy tematikáját kidolgozta
18. Név beosztás Munkahely (tanszék, kutatóintézet, stb.)
Dr. Rácz Péter
adjunktus
Kognitív Tudományi Tanszék
A tanszékvezető
19. Neve aláírása
Dr. Babarczy Anna