PředmětyPředměty(verze: 838)
Předmět, akademický rok 2018/2019
  

Z důvodů aktualizace databázového systému bud o víkendu 15.12. - 16.12.  nedostupný studijní informační systém.

E-learning ( https://e-learning.vscht.cz ) bude fungovat, v případě výpadku pište na cis-support@vscht.cz

Děkujeme za pochopení,

Výpočetní centrum VŠCHT Praha

Vytěžování znalostí z dat - N500011
Anglický název: Data Mining
Zajišťuje: ČVUT v Praze, Fakulta informačních technologií (500)
Platnost: od 2013
Semestr: letní
Body: letní s.:4
E-Kredity: letní s.:4
Způsob provedení zkoušky: letní s.:
Rozsah, examinace: letní s.:2/2 Z+Zk [hodiny/týden]
Počet míst: neurčen / neurčen (neurčen)
Minimální obsazenost: neomezen
Jazyk výuky: čeština
Způsob výuky: prezenční
Úroveň:  
Pro druh:  
Garant: Kordík Pavel doc.Ing. Ph.D.
Anotace -
Poslední úprava: Jirát Jiří Ing. Ph.D. (10.01.2014)
Studenti se seznámí se základními postupy při vytěžování znalostí z dat. Konkrétně se naučí základní techniky předzpracování dat, vizualizace vícerozměrných dat, statistické techniky transformace dat, základní principy metod pro vytěžování znalostí. Studenti získají povědomí o vztahu mezi zaujetím a variancí modelů a o vyhodnocení kvality modelů. V předmětu se extenzivně využívá vytěžovací software. Studenti budou schopni kvalifikovaně použít základní nástroje data miningu na nejčastěji se vyskytujících problémech (klasifikace, regrese, shlukování).
Výstupy studia předmětu -
Poslední úprava: Jirát Jiří Ing. Ph.D. (13.01.2014)

Studenti budou umět:

základní postupy při vytěžování znalostí z dat, konkrétně se naučí základní techniky předzpracování dat, vizualizace vícerozměrných dat, statistické

techniky transformace dat, základní principy metod pro vytěžování znalostí.

budou mít povědomí o vztahu mezi zaujetím a variancí modelů a o vyhodnocení kvality modelů.

používat vytěžovací software.

kvalifikovaně použít základní nástroje data miningu na nejčastěji se vyskytujících problémech (klasifikace, regrese, shlukování).

Literatura -
Poslední úprava: Jirát Jiří Ing. Ph.D. (10.01.2014)

Z:Berka, P. Dobývání znalostí z databází. Praha: Academia, 2003. ISBN 80-200-1062-9.

Studijní opory -
Poslední úprava: Jirát Jiří Ing. Ph.D. (10.01.2014)

https://edux.fit.cvut.cz/courses/BI-VZD/

(nutné přihlášení)

Sylabus -
Poslední úprava: Jirát Jiří Ing. Ph.D. (10.01.2014)

1. Úvod do data miningu, příprava dat, vizualizace dat.

2. Statistická analýza dat.

3. Model dat, metoda nejbližšího souseda

4. Učení, validace, testování, hodnocení kvality modelu

5. Umělé neuronové sítě v data miningu.

6. Neuronové sítě bez učitele - kompetiční učení

7. Pravděpodobnost a Bayesovská klasifikace

8. Rozhodovací stromy a pravidla.

9. Neuronové sítě s učitelem.

10. Shluková analýza.

11. Kombinování neuronových sítí a modelů obecně.

12. Data mining v prostředí Clementine.

13. Text mining, Web mining, vybrané aplikace a nové trendy.

Studijní prerekvizity -
Poslední úprava: Jirát Jiří Ing. Ph.D. (31.01.2014)

žádné

Zátěž studenta
Činnost Kredity Hodiny
Účast na přednáškách 1 28
Práce na individuálním projektu 0,5 14
Příprava na zkoušku a její absolvování 1,1 30
Účast na seminářích 1 28
4 / 4 100 / 112
 
VŠCHT Praha