|
Vyučující
|
-
Salavec Tomáš
-
Hájek Petr, prof. Ing. Ph.D.
-
Asante Andrew
|
|
Obsah předmětu
|
Úlohy objevování znalostí - deskripce, sumarizace, segmentace, predikce, analýza závislostí. Sběr a předzpracování dat. Vícerozměrné statistické metody pro datovou analytiku - lineární / nelineární modely. Metody datové analytiky založené na strojovém učení - rozhodovací stromy a rozhodovací pravidla. Bayesovské metody. Asociační pravidla. Textová analytika. Ověření předpokladů modelů, vizualizace dat. Testování modelů, křížová validace. Případové studie - predikce na finančních trzích, analýza chování zákazníků a jejich segmentace, textová analýza sentimentu, detekce podvodných obchodních transakcí, atd.
|
|
Studijní aktivity a metody výuky
|
Monologická (výklad, přednáška, instruktáž), Dialogická (diskuze, rozhovor, brainstorming), Laborování
- Projekt individuální
- 40 hodin za semestr
- Kontaktní výuka
- 28 hodin za semestr
- Příprava na zkoušku
- 30 hodin za semestr
- Domácí příprava na výuku
- 52 hodin za semestr
|
|
Výstupy z učení
|
Cílem předmětu je seznámit studenty s pokročilými přístupy z oblasti business datové analytiky, zejména pak s úlohou dat v business aplikacích.
Student, který úspěšně absolvoval předmět, umí: rozlišit úlohy objevování znalostí; vysvětlit úlohu dat pro reálné business aplikace a projekty; rozlišit vícerozměrné statistické metody a metody strojového učení; charakterizovat princip rozhodovacích stromů a asociačních pravidel; porovnat výsledky modelů datové analytiky. Student, který úspěšně absolvoval předmět, dovede: pro danou úlohu objevování znalostí zvolit vhodnou metody datové analytiky; provést předzpracování business dat; použít metody vícerozměrné statistiky a strojového učení při realizaci úloh business datové analytiky; extrahovat znalosti z nestrukturovaných textových dat; testovat a vyhodnotit kvalitu modelů datové analytiky. Student, který úspěšně absolvoval předmět, je schopen: samostatně a odpovědně se rozhodovat a při řešení složitých problémů provést rozklad na jednodušší úlohy; do řešení problémů zahrnout úvahu o společenských a etických rozměrech technologického rozvoje; samostatně získávat další odborné znalosti, dovednosti a způsobilosti; efektivně komunikovat s cílovou skupinou uživatelů - experty z oblasti průmyslu, bezpečnosti a dalších.
|
|
Předpoklady
|
nespecifikováno
|
|
Hodnoticí metody a kritéria
|
Písemná zkouška, Posouzení zadané práce, Rozhovor
Zápočet: účast na cvičení (viz směrnice), písemný zápočtový test s minimálně 60% úspěšností, zpracování zadaných úloh na cvičení s minimálně 60% úspěšností, prezentace a úspěšné obhájení praktického projektu s využitím reálných business dat. Zkouška: písemná s minimálně 60% úspěšností
|
|
Doporučená literatura
|
-
BERKA, P. Dobývání znalostí z databází. Praha, 2003.
-
KONONENKO, I., KUKAR, M. Machine learning and data mining. Amsterdam, 2007.
-
PYLE, D. Business modeling and data mining. San Francisco, 2003.
-
PYLE, D. Data preparation for data mining. San Francisco, 1999.
-
SHMUELI, G. Data mining for business analytics. Hoboken, 2016.
-
WITTEN, I. H. Data mining. San Francisco, 2005.
|