|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
USII / EDM1
:
Popis předmětu
Pracoviště / Zkratka
|
USII
/
EDM1
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Data Mining I
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
10
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
1
[HOD/TYD]
Cvičení
3
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Angličtina
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
6 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní semestr
|
Vyučovaný semestr
|
Zimní semestr
|
Minimum (B + C) studentů
|
nestanoveno
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Angličtina
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
A|B|C|D|E|F |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ano
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
A|B|C|D|E|F |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
Nejsou definovány
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Cílem předmětu je seznámit studenty s možnostmi data miningu (DM). Na úvodní část navazuje problematika definování cílů a technik pro DM, výběr zdrojů dat a jejich příprava pro modelování, tvorba modelů a jejich vyhodnocení.
|
Požadavky na studenta
|
Požadavky k zápočtu: účast na cvičení (75%), zpracování zadaných úloh na cvičení, odevzdání semestrální práce podle zadání.
|
Obsah
|
Úvod do DM (co je data mining (DM), taxonomie DM metod, příklady využití DM, metodiky atd.)
Etapy a úkoly metodologie CRISP-DM (porozumění problému, porozumění datům, příprava dat, modelování, vyhodnocení výsledků, využití výsledků v praxi, hierarchický rozklad CRISP-DM).
Porozumění datům (základní pojmy: data, datová matice, závislé a nezávislé proměnné, kódování dat, klasifikace dat, formát datového souboru, datový slovník, základní vizualizace dat, zdroje dat atd.)
Příprava dat k modelování (datové manipulace se zaměřením na spojování souborů, výběr záznamů, filtrování, generování odvozených proměnných, agregace, náhrada chybějících hodnot proměnné, využití vybraných statistických metod pro přípravu dat atd.)
Základy tvorby modelů pomocí vybraných metod (metody shlukové analýzy, vícenásobné lineární regrese, modely na bázi logistická regrese, využití vybraných algoritmů rozhodovacích stromů atd.) a jejich vyhodnocení.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Doporučená:
Berry, Michael J. A. Data mining techniques : for marketing, sales, and customer relationship management. Indianapolis: Wiley, 2004. ISBN 0-471-47064-3.
-
Doporučená:
Wendler, T., Gröttrup, S. Data Mining with SPSS Modeler. 2016.
-
Doporučená:
PYLE, D. Data Preparation for Data Mining. San Diego, Academic Press, 1999, 540 s.. San Diego, 1999.
-
Doporučená:
ENTERPRISE MINER-TM SEMMA.
-
Doporučená:
Berry, Michael J. A. Mastering data mining. New York: John Wiley & Sons, 2000. ISBN 0-471-33123-6.
-
Doporučená:
Petr, Pavel. Metody Data Miningu.. Pardubice: Univerzita Pardubice, 2015. ISBN 978-80-7395-873-2.
-
Doporučená:
PKDD'99 Discovery Challenge - Guide to the Financial Data Set.
|
Časová náročnost
|
Prezenční forma studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Semestrální práce
|
100
|
Příprava na zkoušku
|
88
|
Sběr materiálu
|
20
|
Kontaktní výuka
|
52
|
Samostatná kritická četba
|
15
|
Domácí příprava na výuku
|
25
|
Celkem
|
300
|
|
Předpoklady - další informace k podmíněnosti studia předmětu |
U studenta se předpokládá znalost základů práce s databází v rozsahu předmětu Databázové systémy I (EDS1), základní znalost matematiky, základní zpracování datového souboru v rozsahu předmětu Manažerská informatika I (EMI1) včetně základní úpravy textového souboru v textovém editoru, základní znalost vybraných statistických metod v rozsahu předmětu Pravděpodobnost a statistika (EPAS). |
Získané způsobilosti |
Student bude schopen definovat jednotlivé fáze DM projektu a jejich obsah. S využitím sw nástrojů bude umět řešit jednoduché úlohy v oblasti přípravy a dat a vybrat odpovídající metodu pro tvorbu modelu. |
Vyučovací metody |
- Monologická (výklad, přednáška, instruktáž)
- Metody samostatných akcí
- Pozorování
- Demonstrace
|
Hodnotící metody |
- Písemná zkouška
- Posouzení zadané práce
- Rozbor produktů pracovní činnosti studenta
|
|
|
|