Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Praktyczne wprowadzenie do analizy danych biomedycznych w języku Python
Tok studiów:
2019/2020
Kod:
ZSDA-3-0026-s
Wydział:
Szkoła Doktorska AGH
Poziom studiów:
Studia III stopnia
Specjalność:
-
Kierunek:
Szkoła Doktorska AGH
Semestr:
0
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Surówka Artur (Artur.Surowka@fis.agh.edu.pl)
Dyscypliny:
Moduł multidyscyplinarny
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

The course aims at introducing a PhD student to simple and flexible means for critically analyzing data and to assure their proper presentation. The course is devoted to students from the wide range of life science: physics, chemistry, biophysics, biology, biotechnology…who feel the need for gaining basic practical skills in programming, data analysis and presentation.

In the case of any enquires, do not hesitate to write an email to: asurowka@agh.edu.pl

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 A student knows basic terminology used in computer programming. SDA3A_W03, SDA3A_U02, SDA3A_U05, SDA3A_U01 Aktywność na zajęciach,
Odpowiedź ustna
M_W002 A student knows basic methods and tools for accessing data. SDA3A_W03, SDA3A_U03 Odpowiedź ustna,
Aktywność na zajęciach
M_W003 A student knows the theoretical background of the major methods for multivariate data analysis. SDA3A_W03 Odpowiedź ustna,
Aktywność na zajęciach
M_W004 A student knows basic tools for spectral analysis. SDA3A_W03 Odpowiedź ustna,
Aktywność na zajęciach
M_W005 A student knows major means and rules for proper data visualization. SDA3A_W03, SDA3A_W04, SDA3A_W06 Prezentacja,
Odpowiedź ustna,
Aktywność na zajęciach
M_W006 A student knows basics of syntax in Python SDA3A_W03 Odpowiedź ustna,
Aktywność na zajęciach
Umiejętności: potrafi
M_U001 A student can prepare the presentation and showcase their results in English to the interdisciplinary audience. SDA3A_U03, SDA3A_U02, SDA3A_U05, SDA3A_U01, SDA3A_U04 Prezentacja
M_U002 A student can choose proper methods for data pre-processing SDA3A_U03, SDA3A_U02, SDA3A_U01 Prezentacja,
Odpowiedź ustna,
Aktywność na zajęciach
M_U003 A student can recognize major data types and extensions and find proper methods for acessing them and saving SDA3A_U03, SDA3A_U01 Odpowiedź ustna,
Aktywność na zajęciach
M_U004 A student can critically judge the data quality and design the most appropriate data analysis pipeline SDA3A_U03, SDA3A_U02, SDA3A_U05, SDA3A_U01, SDA3A_U04 Odpowiedź ustna,
Aktywność na zajęciach
M_U005 A student can find the best means for data presentation, and can identify the most common pitfalls SDA3A_U07, SDA3A_U03, SDA3A_U02, SDA3A_U05, SDA3A_U01, SDA3A_U04 Prezentacja,
Odpowiedź ustna,
Aktywność na zajęciach
M_U006 A student can use basic Python syntax to the extent necessary to perform basic data programming tasks SDA3A_U07, SDA3A_U06, SDA3A_U03, SDA3A_U02, SDA3A_U05, SDA3A_U01, SDA3A_U04 Odpowiedź ustna,
Aktywność na zajęciach
Kompetencje społeczne: jest gotów do
M_K001 A student can address questions, seeking support and interact with the lecturer and group members during lectures and tutorials in English. SDA3A_U02, SDA3A_U05, SDA3A_U01 Aktywność na zajęciach
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
75 30 0 30 0 0 15 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 A student knows basic terminology used in computer programming. + - + - - + - - - - -
M_W002 A student knows basic methods and tools for accessing data. + - + - - + - - - - -
M_W003 A student knows the theoretical background of the major methods for multivariate data analysis. + - + - - + - - - - -
M_W004 A student knows basic tools for spectral analysis. + - + - - + - - - - -
M_W005 A student knows major means and rules for proper data visualization. + - + - - + - - - - -
M_W006 A student knows basics of syntax in Python + - + - - + - - - - -
Umiejętności
M_U001 A student can prepare the presentation and showcase their results in English to the interdisciplinary audience. - - - - - + - - - - -
M_U002 A student can choose proper methods for data pre-processing - - + - - + - - - - -
M_U003 A student can recognize major data types and extensions and find proper methods for acessing them and saving - - + - - + - - - - -
M_U004 A student can critically judge the data quality and design the most appropriate data analysis pipeline + - + - - + - - - - -
M_U005 A student can find the best means for data presentation, and can identify the most common pitfalls + - + - - + - - - - -
M_U006 A student can use basic Python syntax to the extent necessary to perform basic data programming tasks + - + - - + - - - - -
Kompetencje społeczne
M_K001 A student can address questions, seeking support and interact with the lecturer and group members during lectures and tutorials in English. + - + - - + - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 167 godz
Punkty ECTS za moduł 5 ECTS
Udział w zajęciach dydaktycznych/praktyka 75 godz
Przygotowanie do zajęć 15 godz
Przygotowanie do zajęć 15 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 10 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 10 godz
Samodzielne studiowanie tematyki zajęć 15 godz
Samodzielne studiowanie tematyki zajęć 15 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 5 godz
Dodatkowe godziny kontaktowe 5 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (30h):

Lectures’ programme

1) Practical introduction to programming in Python 3.6 (6h).
2) Handling scientific data: basic data types, readout and saving (2h).
3) Data pre-processing techniques (4h).
4) Data analysis:
- Basics of spectral analysis (4h)
- Basics of digital image analysis and quantitative morphometry (2h).
- Statistical testing (4h).
- Multivariate modeling methods (4h).
5) Visualisation, presentation and reporting on scientific data (6h)

####

Program wykładów:

1) Praktyczne wprowadzenie do programowania w języku Python 3.6 (6h).
2) Przetwarzanie danych naukowych: główne typy danych, odczyt i zapis (2h).
3) Techniki wstępnego przetwarzania danych (4h)
4) Analiza danych:
- podstawy analizy spektroskopowej (4h),
- podstawy analizy obrazów cyfrowych i morfometrii ilosciowej (2h),
- wnioskowanie statystyczne (4h),
- metody modelowania wielowymiarowego (4h).
5) Wizualizacja, prezentacja i raportowanie danych naukowych (4h).

Ćwiczenia laboratoryjne (30h):

Hands-on tutorials’ programme:

1) Loops, conditional expressions and error handling (2h).
2) Major data structures: lists, tuples, arrays and data frames (2h).
3) Functions and basics of classes (2h).
4) Data access: reading/saving (2h).
5+6) Data transformation and exploration methods (2h + 2h).
7) Basics of spectral analysis: filtration, normalization tools, integration (2h) and fitting (2h).
8) Basics of digital image analysis and quantitative morphometry: image filtration, bizarization and major parameters describing shape (2h).
9) Parametric testing methods (2h).
10) Non-parametric testing methods (2h).
11) Multivariate modeling methods: PCA, LDA, PLS, HCA (2h).
12) Data visualization, presentation (4h) and reporting (2h).

####

Program praktycznych ćwiczeń laboratoryjnych

1) Pętle, instrukcje warunkowe, sterowanie wyjątkami (2h)
2) Główne struktury danych: listy, krotki, tablice i ramki (2h)
3) Funkcje i podstawowe informacje o klasach (2h)
4) Dostęp do danych: otwieranie/zapisywanie danych (2h)
5 + 6) Techniki transformacji i eksploracji danych (2h + 2h)
7) Podstawy analizy spektroskopowej: filtracja, normalizacja, całkowanie (2h) i dopasowanie (2h).
8) Podstawy analizy obrazów cyfrowych: filtracja, binaryzacja i ekstrakcja parametrów kształtu (2h).
9) Parametryczne testy statystyczne (2h)
10) Nieparametryczne testy statystyczne (2h)
11) Wielowymiarowe metody modelowania: PCA, LDA, PLS, HCA (2h).
12) Wizualizacja, prezentacja (4h) i opis danych naukowych (2h)

Zajęcia seminaryjne (15h):

The seminars will give to a student an opportunity to take advantage of the already acquired programming skills and discuss their own scientific results to the interdisciplinary audience by using the methods presented (short presentation, max 10 min + 5 mins for discussion – down to the number of attendees) during the whole course. This activity is planned to be blocked into two longer meetings.

####

Seminaria dadzą studentowi okazję do wykorzystania i zweryfikowania nabytych umiejętności programistyczno-analitycznych, jak również stworzą możliwość do zaprezentowania swoich własnych wyników naukowych w interdyscyplinarnym gronie (krótka prezentacja max 10 minut plus 5 minut na dyskusję – czasy zależny od liczby uczestników kursu).

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: - prezentacja multimedialna
  • Ćwiczenia laboratoryjne: - praca z komputerem
  • Zajęcia seminaryjne: - przygotowanie prezentacji wyników badan (własnych), w oparciu o nabyte umiejętności
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

In liaison with the University regulations.

Lectures: attending min 70% of lectures.
Laboratories: active participation and compketing most of the planned computer exercises.
Seminars: presenting the data analyzed by the methods acquired during the course.

###

Wg regulaminu AGH.

Wykłady: min 70% obecności.
Laboratoria: aktywny udział i prawidłowe wykonanie większości ćwiczeń.
Seminaria: zaprezentowanie wyników analizy danych, przeprowadzonej z wykorzystaniem metod poznanych w czasie kursu.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
  • Zajęcia seminaryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
Sposób obliczania oceny końcowej:

The grade will only be given when the student is granted the lectures’ credit (70% lectures attended)

1) The whole course:

FG = 0.65 L + 0.35 S

L – the final grade achieved for student’s activity during the computer laboratories.
S – the final grade for the seminar presentation.

2) The course without the seminars:

FG = L

#####

Ocena końcowa (OK) wystawiona zostanie wyłącznie w przypadku uzyskania zaliczenia wykładów (obecność na 70% wykładów).

1) Cały kurs

OK = 0.65 L + 0.35 S

L – ocena za aktywność studenta w czasie ćwiczeń laboratoryjnych.
S – ocena za prezentację wyników w czasie seminarium.

2) kurs bez seminariów

OK = L

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

As the tutorials will be strongly related to the content presented during the lectures, the student is expected to attend at least 70% of the lectures to be granted a credit.

A student is allowed maximum two absences the tutorials.

A student is allowed maximum one absence during the seminars.

####

Jako że ćwiczenia laboratoryjne będą ściśle związane z materiałem prezentowanym na wykładach, student powinien być obecny na 70% wykładów aby uzyskać ich zaliczenie.

Student ma prawo do max dwóch nieobecności na ćwiczeniach laboratoryjnych.

Student ma prawo do max jednej nieobecności na zajęciach seminaryjnych.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Basic knowledge of mathematics and statistics. Basic programming skills are welcome but not mandatory.

####

Podstawowa wiedza z zakresu matematyki i statystyki. Podstawowe umiejętności z zakresu programowania są mile widziane ale nie są konieczne,

Zalecana literatura i pomoce naukowe:

1) A. Stanisz. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Krakow 2006.
2) S. Madhavan. Mastering Python for Data Science. Pact Publishing, Birmingham 2015
3) I. Milovanović, D. Foures, G. Vettigli. Python Data Visualization Cookbook. Pact Publishing, Birmingham 2015

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1) A.D. Surowka et al. The combination of artificial neural networks and synchrotron radiation-based infrared micro-spectroscopy for a study on the protein composition of human glial tumors. Analyst. 2015 Apr 7;140(7):2428-38. doi: 10.1039/c4an01867b

2) A.D. Surowka et al. FTIR imaging of the molecular burden around Aβ deposits in an early-stage 3-Tg-APP-PSP1-TAU mouse model of Alzheimer’s disease. Analyst, 2017,142, 156-168. doi:10.1039/C6AN01797E

3) A.D. Surowka et al. Combined in-situ imaging of structural organization and elemental composition of substantia nigra neurons in the elderly. Talanta. 2016 Dec 1;161:368-376. doi: 10.1016/j.talanta.2016.08.023. Epub 2016 Aug 5.

4) A.D. Surowka et al. Novel approaches for correction against the soft matrix effects in the quantitative elemental imaging of human substantia nigra tissue using synchrotron X-ray fluorescence. Spectrochimica Acta Part B: Atomic Spectroscopy. Volume 123, 1 September 2016, Pages 47-58.

5) A.D. Surowka et al. Peripheral Vagus Nerve Stimulation Significantly Affects Lipid Composition and Protein Secondary Structure Within Dopamine-Related Brain Regions in Rats. NeuroMolecular Medicine
June 2015, Volume 17, Issue 2, pp 178–191

6) A.D. Surowka et al. A METHODOLOGICAL APPROACH TO THE CHARACTERIZATION OF BRAIN GLIOMAS, BY MEANS OF SEMI-AUTOMATIC MORPHOMETRIC ANALYSIS. Image Anal Stereol 2014;33:201-218.

7) A.D. Surowka et al. Combined use of infrared and hard X-ray microprobes for spectroscopy-based neuroanatomy. 2018 JINST 13 C05008

Informacje dodatkowe:

The course is intended to start in the summer semester 2020.

There may also be a possibility to do just lectures and tutorials for 4 ECTS.

#####

Planowany początek kursu – semestr letni 2020.

Może być możliwość realizacji wyłącznie wykładu i ćwiczeń za 4 ECTS.