# Celkové hodnocení:
    Suma bodů: [ 60 / 60 ] (škálovano na 4-členný tým)
    Podle (rovného) podílů v týmu: 15 b./os.

    Vaše práce se mi velmi líbila, myslím, že byla odvedená poctivě. Zvlášt bych vyzdvihl, že přináší nějaké nové poznání. Jste moji nominací na nejlepší letošní práce, tak ode mě máte extra bod za aktivitu.
    Pokud by vám vaše výsledky měli přispět k nějaké té publikaci kolem projektu, dejte vědět, rád bych si ji přečetl. :)

# Detailní hodnocení:

    * Plan [ 12 / 12]:
        Problem Formulation [ 6 / 6]:
            Konkrétně formulovaný problém založený v reálném projektu, super.

        Dataset and Method Research [ 6 / 6]:
            Stejně jako formulace, data z reálného kontrolovaného experimentu, hodně jste přemýšleli jak s nimi naložit, bylo třeba předzpracovat (později i ověřit). Metody promyšlené jakbysmet.


    * Work [ 25 / 25]:
        Technical Quality of the Solution [ 15 / 15]:
            Statistical Reasoning:
                V sekci 4 mě malinko zarazilo, že jste se tak strktně omezili na jednoduchý lineární model. Chápu pointu interpretability, ale z grafů co jste ukazovali mo přišlo, že třeba jen polynom druhého řádu by mohl být opravdu vhodný a tím byste o interpretovatelnost nepřišli (ikdyž by, uznávám, byla horší než slope >0/<0).

            Adaptation of Plan to The Problem:
                Vhodně jste se s prací vypořádli. Akorát pokud jde o klasifikaci, obzvlášt v hodně vysoké dimenzi, určitě by stálo za to k tomu přistoupit pomocí specializovanějších technik (linreg, mlp, svm, ..., pak otázky předzpracování non-lin dimred), ikdyž tam LDA patří. Od clusteringu bych žádný takový zárak nečekal. Zase je dobře, že když jste LDA aplikovali a zjistili, že úplně nefunguje, problém jste zanalyzovali a poradili si s ním.

            Width of Solution and Approaches:
                Nemám výtek.


        Answer to the Main Question [10 / 10]:
            Question Formalisation:
                Otázku jste vhodně převedli na sadu technických analýz.

            Is the Question Fully Answered?:
                Mne i své kolegy jste o odpovědi přesvědčili.


    * Presentation [ 15 / 15]:
        Report Quality [ 7 / 7]:
            Parádně zpracované, hodně ocenuji řádnou úvodní sekci o detailech datasetu, měření a popisu problému.
            Pár "pedagogických" poznámek:
                a) vždycky reportujete efekt (např. hodnotu koeficientu) ne jen p-hodnotu, to je dobrý základ, ale ještě lepší by bylo explicitně podat i počet vzorků (n). možná to v tom reportu je, jenom vzhledem k množství analýz, kombinací a poměrně vysoké komplikovanosti datasetu by si to zasloužilo zdůraznovat.
                b) Fig 7. - když ukazuju průměry, je dalším dobrým zvykem ukazovat i odchylky (příp. confidence intervaly, podle toho, co je podstatnější), ikdyž rozumím, že by to mohlo takový graf udělat nečitelným.
                c) EM-algorithmus je obecnější nástroj, který se dá aplikovat na jakoukýkoliv model, takže tvrzení "In this section, we focus on methods such as the Expectation-Maximization (EM) algorithm (...). All these methods assume that each group follows a normal distribution." technicky není pravda. Asi jste tím prostě mysleli EM-GMM, tedy EM použitý k učení Gaussian mixture model a ten už ten předpoklad má.

        Final Presentation [ 8 / 8]:
            Nemám výtek.


    * Review [ 8 / 8]:
         Pěkně zpracované review k věci, je vidět že jste práci důkladně přečetli.

