|
Vyučující
|
-
Petr Pavel, doc. Ing. Ph.D.
|
|
Obsah předmětu
|
Úloha a pojmy DM, metodika CRISP-DM. Přístup k datům a datové manipulace. Modelování a vizualizace. Seskupovací analýza, analýza nákupního koše, asociační pravidla. Lineární regrese, logistická regrese. Rozhodovací stromy. Neuronové sítě. Faktorová analýza. Text Mining. Web Mining. Využití DM a sw nástroje.
|
|
Studijní aktivity a metody výuky
|
Monologická (výklad, přednáška, instruktáž), Metody práce s textem (učebnicí, knihou), Metody samostatných akcí
- Příprava na zkoušku
- 20 hodin za semestr
- Příprava na zápočet
- 20 hodin za semestr
- Semestrální práce
- 40 hodin za semestr
- Domácí příprava na výuku
- 18 hodin za semestr
- Kontaktní výuka
- 52 hodin za semestr
|
|
Výstupy z učení
|
Cílem předmětu je seznámení s terminologií Data Miningu (DM), používanou metodikou a vybranými metodami v této oblasti. Studenti se naučí řešit typové DM úlohy s využitím metodiky CRISP-DM, používat odpovídající metody pro tvorbu modelů a výsledné modely správně evaluovat a interpretovat. Naučí se pracovat jako člen týmu při řešení DM úloh.
Student, který úspěšně absolvoval předmět, umí: definovat základní pojmy z oblasti DM je používat; popsat souvislosti a návaznosti jednotlivých fází DM metodiky; popsat základní matematické principy vybraných metod využívaných v DM a předpoklady jejich použití; objasnit obsah základních kroků při Web Miningu a Text Miningu. Student, který úspěšně absolvoval předmět, dovede: správně používat metodiku CRISP-DM a řešit související úlohy; řešit typové úlohy DM, navrhovat modely řešení, vyhodnocovat je správně interpretovat; využívat standardní nástroje pro DM; samostatně řešit vybrané typy DM úloh. Student, který úspěšně absolvoval předmět, je schopen: pracovat v týmu a srozumitelně shrnout názory ostatních členu týmu; srozumitelně a přesvědčivě sdělovat odborníkům i laikům informace o povaze odborných problémů a vlastním názoru na jejich řešení v oblasti Data Miningu.
|
|
Předpoklady
|
Základy práce s databází, pravděpodobnost a statistika.
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška, Písemná zkouška, Rozbor produktů pracovní činnosti studenta, Obhajoba vlastního projektu
Požadavky k zápočtu: účast na cvičení (75%), zpracovat zadané úlohy na cvičení a semináři s úspěšností min. 60%, odevzdání semestrální práce podle zadání. Požadavky ke zkoušce (včetně formy zkoušky): ústní, písemná Obhájení semestrální práce a úspěšné absolvování písemné části zkoušky (min. 60 %). V době online výuky jsou požadovky následující: Zápočet je udělen za odevzdání všech zadaných úkolů s hodnocením splnil (alespoň 60 % bodů), odevzdání projektu (podle zadání v Moodlu) a docházku min 75 % (účast na online zaměstnáních). Zkouška je písemná a ústní. Prověřuje se stupeň znalostí a schopnost aplikovat nabyté znalosti na řešení praktických problémů a objasnění postupů realizovaných v projektu při jeho obhajobě. Zkouška bude probíhat v MS Teams a Moodle. Hlavní komunikační kanál pro zveřeňování aktualit, studijních materiálů a řešení problémů z výuky je Moodle.
|
|
Doporučená literatura
|
-
Berka, Petr. Dobývání znalostí z databází. Praha: Academia, 2003. ISBN 80-200-1062-9.
-
BERRY, M. - LINOFF G. Data Mining Techniques - For Marketing, Sales, and Customer Relationship Management. Indianapolis, John Wiley & Sons, 2004, 643 s.. 2004.
-
GUIDICI P. Applied Data Mining - Statistical Methods for Business and Industry. Guildford, John Wiley & Sons, 2003, 364 s.. 2003.
-
Petr, Pavel. Data Mining.. Pardubice: Univerzita Pardubice, 2006. ISBN 80-7194-886-1.
-
Petr, Pavel. Metody Data Miningu.. Pardubice: Univerzita Pardubice, 2014. ISBN 978-80-7395-872-5.
-
Petr, Pavel. Metody Data Miningu.. Pardubice: Univerzita Pardubice, 2015. ISBN 978-80-7395-873-2.
-
PYLE, D. Data Preparation for Data Mining. San Diego, Academic Press, 1999, 540 s.. San Diego, 1999.
-
WITTEN, I.H., FRANK, E., HALL, M.A. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam, 2011.
|