Vyučující
|
-
Podaras Athanasios, Ing. Ph.D.
-
Lamr Marián, Ing. Ph.D.
-
Nowak Stanislav, Ing. Bc.
|
Obsah předmětu
|
Přednášky (témata): 1. Data a jejich zpracování, typy dat, shromažďování dat. Importy a exporty dat. 2. Dělení dataminingových úloh, představení typických úloh. 3. Proces dobývání znalostí z rozsáhlých datových struktur, metodologie CRISP- DM. 4. Příprava dat, porozumění datům, popis datové množiny, příprava datové matice, výběr dat a jejich čištění, konstrukce a slučování datových zdrojů, typová homogenita, formátování dat. 5. Aktuální nástroje využívané pro pokročilou analýzu dat a dolování znalostí z dat. 6. Základy tvorby dataminingových modelů. 7. Využívání asociačních pravidel k predikci chování zákazníka. 8. Klasifikace a typické klasifikační úlohy. 9. Predikce a segmentace. 10. Evaluace a hodnocení modelů. Semináře (témata): 1. Seznámení se s prostředím IBM SPSS Modeler. 2. Příprava, analýza a vizualizace dat. 3. Úlohy pro predikci chování zákazníka. 4. Analýza nákupního košíku s využitím asociačních pravidel. 5. Efektivita marketingových akcí. 6. Zacílení marketingové kampaně. 7. Migrace zákazníků ke konkurenci. 8. Využití textu k predikci chování zákazníka. 9. Segmentace zákazníků. 10. Úlohy pro analýzu lidských zdrojů v podniku.
|
Studijní aktivity a metody výuky
|
Přednáška, Cvičení
|
Výstupy z učení
|
Cílem předmětu je seznámit studenty s problematikou rozhodování na základě znalostí získaných z různých typů datových zdrojů. Jednotlivé kroky procesu získávání znalostí budou demonstrovány na praktických úlohách. Studenti budou seznámeni s technikami, nástroji a algoritmy používanými při tomto procesu. Na seminářích se studenti seznámí s IBM SPSS Modeler a s dalšími open source nástroji při řešení širokého spektra úloh zaměřených na manažerské rozhodování na základě velkých dat. Budou představeny dataminigové postupy a algoritmy, ale i metodologie CRISP-DM.
|
Předpoklady
|
nespecifikováno
|
Hodnoticí metody a kritéria
|
nespecifikováno
Zápočet: Aktivní účast na cvičeních, písemná práce, obhajoba semestrálního projektu Zkouška: Písemná a ústní část
|
Doporučená literatura
|
-
HAN, Jiawei. a Micheline. KAMBER, 2012. Data mining: concepts and techniques. 3rd ed.. Burlington, MA: Elsevier., 2012. ISBN 9780123814791.
-
HOFMANN, Markus a Ralf. KLINKENBERG. RapidMiner: Data Mining Use Cases and Business Analytics Applications.. Florida: Taylor & Francis Group., 2013. ISBN 9781482205497.
-
PETR, Pavel. Metody Data Miningu.. Pardubice: Univerzita Pardubice, 2014. ISBN 9788073958732.
-
SHMUELI, Galit, Peter C. BRUCE, Mia L. STEPHENS a Nitin R. PATEL. Data mining for business analytics: concepts, techniques, and applications in JMP Pro. 1.. Canada: WILEY, 2016. ISBN 978-1-118-87743-2.
-
WENDLER, Tilo a Sören GRÖTTRUP. Data mining with SPSS modeler: theory, exercises and solutions. 1. Switzerland: Springer, 2016. ISBN 978-3-319-28707-2.
-
WITTEN, I. H. a Frank EIBE. Data mining: practical machine learning tools and techniques:Fourth Edition. Cambrige, 2017. ISBN 9780128042915.
|