Název:

Získávání znalostí z databází

Zkratka:ZZN
Ak.rok:2006/2007
Semestr:zimní
Studijní plán:
ProgramObor/
specializace
RočníkPovinnost
IT-MGR-2MGM.2.volitelný
IT-MGR-2MIN.2.povinný
IT-MGR-2MIS.2.volitelný
IT-MGR-2MPS-volitelný
Vyučovací jazyk:čeština, angličtina
Informace pro zapsané:http://www.fit.vutbr.cz/study/courses/ZZN/private/
Kredity:5 kreditů
Ukončení:zápočet+zkouška (písemná)
Výuka:
hod./sempřednáškasem./cvič.lab. cvič.poč. cvič.jiná
Rozsah:3900013
 zkouškatestycvičenílaboratořeostatní
Body:50150035
Garant:Zendulka Jaroslav, doc. Ing., CSc. (UIFS)
Přednášející:Zendulka Jaroslav, doc. Ing., CSc. (UIFS)
Cvičící:Bartík Vladimír, Ing., Ph.D. (UIFS)
Lukáš Roman, Ing., Ph.D. (UIFS)
Fakulta:Fakulta informačních technologií VUT v Brně
Pracoviště:Ústav informačních systémů FIT VUT v Brně
 
Cíle předmětu:
  Seznámit studenty s problematikou získávání znalostí z různých typů datových zdrojů, vysvětlit typy užitečných znalostí a jednotlivé kroky procesu získávání znalostí z dat a seznámit je s technikami, algoritmy a nástroji používanými při tomto procesu.
Anotace:
  Základní pojmy související se získáváním znalostí z databází, vztah získávání znalostí a dolování dat. Zdroje dat pro získávání znalostí. Podstata a techniky předzpracování dat pro dolování. Systémy pro získávání znalostí, dotazovací jazyky pro dolování. Techniky dolování různých typů znalostí - charakterizace a diskriminace, asociační pravidla, klasifikace a predikce, shlukování. Dolování ve složitě strukturovaných datech. Trendy v získávání znalostí z dat. Řešení projektu zaměřeného na dolování dat využitím dostupného nástroje.
Získané dovednosti, znalosti a kompetence:
  Studenti získají dostatečně široký a přitom i dostatečně do hloubky jdoucí přehled v oblasti získávání znalostí z databází. Jsou schopni nástroje pro získávání znalostí používat i vytvářet.
Osnova přednášek:
 
  1. Úvod - motivace, základní pojmy, typy zdrojů dat a získávaných znalostí, metodologie. 
  2. Datové sklady a technologie OLAP pro získávání znalostí z databází.
  3. Předzpracování dat v procesu získávání znalostí.
  4. Dolování frekventovaných vzorů a asociací - základní pojmy, efektivní a škálovatelné metody hledání frekventovaných množin.
  5. Víceúrovňová asociační pravidla, asociační a korelační analýza, omezená asociační pravidla.
  6. Klasifikace a predikce - základní pojmy, rozhodovací strom, bayesovská klasifikace, klasifikace založená na pravidlech.
  7. Klasifikace s využitím neuronových sítí, SVM klasifikátor, další metody klasifikace, predikce.
  8. Shluková analýza - základní pojmy, typy dat při shlukování, metody založené na rozčleňování, hierarchické metody.
  9. Další metody shlukování.
  10. Dolování v proudech dat, časových řadách a posloupnostech.
  11. Dolování v grafech, Analýzasociálních sítí, multirelační dolování.
  12. Dolování v objektových, prostorových a multimediálních datech, dolování textu a na webu.
  13. Aplikace a trendy v získávání znalostí z databází.
Osnova ostatní - projekty, práce:
 
  • Vypracování projektu v prostředí dostupného nástroje pro získávání znalostí z databází.
Literatura referenční:
 
  • Han, J., Kamber, M.: Data Mining: Concepts and Techniques. Second Edition. Elsevier Inc., 2006, 770 p., ISBN 1-55860-901-3.  
  • Berka, P.: Dobývání znalostí za databází. Academia, 2003, 366 s., ISBN 80-200-1062-9. 
  • Dunham, M.H.: Data Mining. Introductory and Advanced Topics. Pearson Education, Inc., 2003, 315 p.
Literatura studijní:
 
  • Han, J., Kamber, M.: Data Mining: Concepts and Techniques. Second Edition. Elsevier Inc., 2006, 770 p., ISBN 1-55860-901-3.  
  • Berka, P.: Dobývání znalostí za databází. Academia, 2003, 366 s., ISBN 80-200-1062-9. 
Kontrolovaná výuka:
  Půlsemestrální písemná zkouška, formulace dolovací úlohy, obhajoba projektu.
Průběžná kontrola studia:
  Půlsemestrální písemná zkouška, formulace dolovací úlohy, prezentace projektu.
Podmínky zápočtu:
  Udělení zápočtu je podmíněno vypracováním projektu a ziskem minimálně 25 bodů za bodované aktivity v průběhu semestru.
 

Vaše IPv4 adresa: 34.229.126.29