|
Vyučující
|
-
Šenkeřík Roman, prof. Ing. Ph.D.
-
Matoušek Radomil, prof. Ing. Ph.D.
|
|
Obsah předmětu
|
- Úvod do dataminingu - historie, principy a postupy, aplikace. - Redukce dimensionality - PCA algoritmus. Feature extraction a feature selection. Rankovací algoritmy - PageRank. - Clusteringové algoritmy - K-means, Fuzzy cMeans a další. - DBSCAN, EM algoritmus. - Dolování dat z časových řad. - Dolování proudu dat (data streams). - Dolování asociačních vzorů. - Dolování diskrétních sekvencí. - Big data mining (dolování z velkých dat). - Statistické učení, naivní bayesovský klasifikátor, Bayesovské sítě. - Support vector machines. - Rozhodovací stromy. Random forest. - Vícekriteriální rozhodovací analýza.
|
|
Studijní aktivity a metody výuky
|
|
Přednášení, Cvičení na počítači
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Znalosti z oblastí: Matematika Základy informatiky Programování Základy umělé inteligence |
| Znalosti z oblastí: Matematika Základy informatiky Programování Základy umělé inteligence |
| Výsledky učení |
|---|
| Student umí vymezit a popsat historii, principy a postupy dataminingu, včetně jeho aplikací. |
| Student umí vymezit a popsat historii, principy a postupy dataminingu, včetně jeho aplikací. |
| Student rozumí metodám redukce dimensionality, jako je PCA, a zná principy clusteringových algoritmů, například K-means a Fuzzy cMeans. |
| Student rozumí metodám redukce dimensionality, jako je PCA, a zná principy clusteringových algoritmů, například K-means a Fuzzy cMeans. |
| Student má znalosti o technikách dolování dat z časových řad a datových proudů. |
| Student má znalosti o technikách dolování dat z časových řad a datových proudů. |
| Student rozumí metodám pro dolování asociačních vzorů a diskrétních sekvencí. |
| Student rozumí metodám pro dolování asociačních vzorů a diskrétních sekvencí. |
| Student má znalosti o základních principech strojového učení, včetně naivního bayesovského klasifikátoru, Bayesovských sítí a rozhodovacích stromů. |
| Student má znalosti o základních principech strojového učení, včetně naivního bayesovského klasifikátoru, Bayesovských sítí a rozhodovacích stromů. |
| Odborné dovednosti |
|---|
| Student dokáže aplikovat algoritmy redukce dimensionality, jako je PCA, pro zpracování a analýzu dat. |
| Student dokáže aplikovat algoritmy redukce dimensionality, jako je PCA, pro zpracování a analýzu dat. |
| Student umí implementovat a používat různé clusteringové algoritmy pro shlukovou analýzu dat. |
| Student umí implementovat a používat různé clusteringové algoritmy pro shlukovou analýzu dat. |
| Student je schopen vyvinout řešení pro efektivní dolování dat z časových řad a datových proudů. |
| Student je schopen vyvinout řešení pro efektivní dolování dat z časových řad a datových proudů. |
| Student má dovednosti v analýze a vytváření asociačních pravidel pro odhalení vzorů v datech. |
| Student má dovednosti v analýze a vytváření asociačních pravidel pro odhalení vzorů v datech. |
| Student dokáže využít metody strojového učení, jako jsou klasifikátory, rozhodovací stromy a support vector machines, pro analýzu a predikci na základě dat. |
| Student dokáže využít metody strojového učení, jako jsou klasifikátory, rozhodovací stromy a support vector machines, pro analýzu a predikci na základě dat. |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednášení |
| Přednášení |
| Cvičení na počítači |
| Cvičení na počítači |
| Hodnotící metody |
|---|
| Ústní zkouška |
| Ústní zkouška |
|
Doporučená literatura
|
-
AGGARWAL, Charu C. Data mining: the textbook. 2015. ISBN 978-3-319-14141-1.
-
Aliev, R. A. Soft computing and its applications. Singapore : World Scientific, 2001. ISBN 981-02-4700-1.
-
Brink H., Richards J.W., Fetherolf M. Real-world machine learning. 2017. ISBN 978-1-61729-192-0.
-
HAND D., MANNILA H., SMYTH P. Principles of Data Mining. Cambridge : MIT Press, 2001. ISBN 026208290X.
-
IGNATOW G., MIHALCEA R. An introduction to text mining: research design, data collection, and analysis. 2018. ISBN 978-1-5063-3700-5.
-
Kacprzyk J, Pedrycz, W. Springer handbook of computational intelligence. 2015.
-
LAM H-K., LING S. H., NGUYEN H. T. Computational intelligence and its applications: evolutionary computation, fuzzy logic, neural network and support vector machine techniques. 2012. ISBN 978-1-84816-691-2.
-
MAIMON, O., ROKACH, L. Data Mining and Knowledge Discovery Handbook. Hardcover. ISBN 978-0387244358.
-
ROKACH L., MAIMON O.Z. Data mining with decision trees: theory and applications. Second edition. 2015. ISBN 978-981-4590-07-5.
-
Volná E. Základy soft computingu. Ostravská Univerzita, 2012.
-
WITTEN, I. H. Data mining: practical machine learning tools and techniques. Fourth Edition. Amsterdam: Elsevier, 2017. ISBN 9780128042915.
|