I osa

(10 punkti) Lahenda praktikumis alustatud käsitsi kirjutatud numbrite ülesanded.

II osa

(10 punkti) Analüüsi riigikogu hääletusmustreid.

III osa

(1 punkt) Vaata Stanfordi Statistical Learning kursuse videot hierarhilise klasterdamise kohta

Mida (uut) said teada hierarhilisest klasterdamisest?

(1 punkt) Vaata Johns Hopkinsi videot logistilise regressiooni kohta

Nimeta üks põhjus, miks lineaarne regressioon ei ole mõistlik valik binaarse y-tunnuse modelleerimiseks?

(2 punkti) Joonista R-is logistiliste kõverate \[y = \frac{e^{\beta_0 + \beta_1 x}}{1 + e^{\beta_0 + \beta_1 x}}\] graafikud:

• Ühel joonisel \(\beta_0 \in \{-1, 0, 1\}\) ja \(\beta_1 = 1\).
• Teisel joonisel \(\beta_0 = 0\) ja \(\beta_1 \in \{0.5, 1, 2\}\).

# sinu kood

Selgita, millist mõju omab \(\beta_0\) ja millist \(\beta_1\) muutmine.

(1 punkt) Loe artiklit http://www.postimees.ee/2721878/hoiatus-meie-vereproovist

Nimeta jutuks olnud teadusartikli põhitulemus.

Soovitame sul katsuda jõudu ka teadusartikli endaga Biomarker Profiling by Nuclear Magnetic Resonance Spectroscopy for the Prediction of All-Cause Mortality: An Observational Study of 17,345 Persons. Järgmises praktikumis kasutame sedasama andmestikku, millel see artikkel põhineb.

(1 boonuspunkt) Kirjuta, kui palju aega kulus I, II ja III osa peale. Kuivõrd selgeks sai sinu jaoks PCA kontseptsioon? Mida arvad ülesannetest (kasulikkus, huvitavus)?

Mida on vaja esitada?

• I ja II osa kohta tuleb esitada nii andmeanalüüsi raport (html või pdf formaadis) kui ka selle lähtekood .Rmd failina.
• III osa vastused tuleb kirjutada meili sisusse või esitada tekstifailina.

Lahendused saata meili peale: andmeteadus@gmail.com