|
Vyučující
|
-
Tyl Pavel, Ing.
-
Lamr Marián, Ing. Ph.D.
|
|
Obsah předmětu
|
Přednášky: 1.Data a jejich zpracování typy dat, shromažďování dat, databáze a datové sklady. Importy a exporty dat 2.Proces dobývání znalostí z rozsáhlých datových struktur historie, vymezení cílů, přehled metodologií 3.Dělení dataminingových úloh, představení typických úloh4 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.Klasifikační algoritmy jako nástroje predikce vycházející z historických dat. Rozhodovací stromy, algoritmy C&RT, C5.0, CHAID&QUEST. Převod stromu na pravidla, prořezávání stromů 6.Diskriminační analýza klasifikace případů do tříd, skórování. 7.Segmentační algoritmy odhalení neobvyklých struktur v datech nasazením algoritmů seskupování K-Means, Two Step, Anomaly. 8.Asociační algoritmy hledání asociačních pravidel, model Apriori, Carma, statistiky implikací, predikční model 9.- 10. Základy neuronových sítí pro zpracování kategorizovaných i číselných proměnných, použití v případech, kdy klasické lineární metody neposkytují očekávané výsledky 10. 14. Modelování a evaluace řešení, zavádění DM řešení do praxe, zařazení skórovacích procesů do rozhodovacího firemního workflow. Analýza aktuálního stavu podpory rozhodování moderními počítačovými prostředky a jejich budoucnost Cvičení: 1.2. Zpracování a vizualizace dat v SPSS Modeleru a další jeho ovládací prvky, případně srovnání s jiným Open source SW 3.9. Příprava modelů pro případové studie, jejich analýza a interpretace výsledků na vzorové studie bude navazovat jejich modifikace v několika samostatných zadáních. Aplikace DM algoritmů bude diskutována a studovaná na úlohách typu: doporučení léčebné metody na základě biomedicínckých dat, klasifikace v biologických a fyzikálních datech, monitorování zkušebního provozu a predikce selhání stroje - přístroje 9.12. Samostatná individuální práce 13.14. Obhajoby individuálních prací
|
|
Studijní aktivity a metody výuky
|
Monologický výklad (přednáška, prezentace, vysvětlování), Samostatná práce studentů (studium textů, literatury, problémové úkoly,výzkum, pisemná práce), Demonstrace dovedností studentů
- Domácí příprava na výuku
- 56 hodin za semestr
- Semestrální práce
- 20 hodin za semestr
|
|
Výstupy z učení
|
Student se naučí řešit podporu složitých rozhodovacích úloh v především v medicíně, ale i např. v ekonomice. Pomocí moderních metod a softwarových nástrojů pro data mining se seznámí s procesem vyhledávání informací a znalostí v rozsáhlých souborech reálných dat numerického i nenumerického charakteru.
Schopnost komplexního náhledu na problematiku projektování dataminingových úloh, schopnost pracovat s moderními modelovacími SW typu IBM SPSS Modeler, schopnost týmové spolupráce na rozsáhlých projektech.
|
|
Předpoklady
|
Základní znalost statistiky
|
|
Hodnoticí metody a kritéria
|
Kombinovaná zkouška
Vypracování zadané semestrální práce, aktivní účast na cvičení, zápočet, souhrnná zkouška.
|
|
Doporučená literatura
|
-
Berka Petr. Dobývání znalostí z databazí. Praha, 2006.
-
Hendl J. Přehled statistických metod zpracování dat. Praha, 2006.
-
Kotler Philip. Marketing management. Praha, 2005.
-
Olivia Parr Rud. Datamining. Praha, 2006.
|