Informace o předmětu

B_ZZD Získávání znalostí z databází

Rozsah

2/0/0. 6 hodin KS/semestr. 3 kr. Ukončení: z.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ivana Plačková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 10:30–11:14 S22, Po 11:15–12:00 S22, P. Berka
B_ZZD/vAPH: So 20. 2. 9:45–11:15 S24, 11:30–13:00 S24, Pá 5. 3. 14:00–15:30 S24, P. Berka

Předpoklady

B_ES Expertní systémy
Podmínkou pro zakončení tohoto předmětu je ukončení předmětu B_ES.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází. Výklad bude zaměřen zejména na jednotlivé algoritmy z oblasti strojového učení. V praktické části se studenti seznámí s jedním z používaných systémů pro data mining.

Výstupy z učení

Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

povinná literatura
• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.

doporučená literatura
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning Tools and Techniques with Java. Fourth edition. Morgan Kaufmann, San Francisco 2016

neurčeno
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0/0. 6 hodin KS/semestr. 3 kr. Ukončení: z.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ivana Plačková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 12:15–12:59 E024, Po 13:00–13:45 E024, kromě Po 17. 2. ; a Po 24. 2. 10:30–12:00 E125, P. Berka
B_ZZD/vAPH: So 8. 2. 9:45–11:15 S14, 11:30–13:00 S14, Pá 20. 3. 15:45–17:15 S14, P. Berka

Předpoklady

B_ES Expertní systémy
Podmínkou pro zakončení tohoto předmětu je ukončení předmětu B_ES.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází. Výklad bude zaměřen zejména na jednotlivé algoritmy z oblasti strojového učení. V praktické části se studenti seznámí s jedním z používaných systémů pro data mining.

Výstupy z učení

Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

povinná literatura
• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.

doporučená literatura
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning Tools and Techniques with Java. Fourth edition. Morgan Kaufmann, San Francisco 2016

neurčeno
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 6 hodin KS/semestr. 3 kr. Ukončení: z.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ivana Plačková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Čt 8:45–9:29 E126, Čt 9:30–10:15 E126, P. Berka
B_ZZD/vAPH: Pá 8. 3. 17:30–19:00 E227, So 6. 4. 9:45–11:15 E227, 11:30–13:00 E227, P. Berka

Předpoklady

B_ES Expertní systémy
Podmínkou pro zakončení tohoto předmětu je ukončení předmětu B_ES.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází. Výklad bude zaměřen zejména na jednotlivé algoritmy z oblasti strojového učení. V praktické části se studenti seznámí s jedním z používaných systémů pro data mining.

Výstupy z učení

Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

povinná literatura
• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.

doporučená literatura
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning Tools and Techniques with Java. Fourth edition. Morgan Kaufmann, San Francisco 2016

neurčeno
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 6 hodin KS/semestr. 3 kr. Ukončení: z.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ivana Plačková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 8:45–9:29 E307, Po 9:30–10:15 E307, P. Berka

Předpoklady

B_ES Expertní systémy
Podmínkou pro zakončení tohoto předmětu je ukončení předmětu B_ES.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází.
Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

povinná literatura
• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.

doporučená literatura
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning Tools and Techniques with Java. Fourth edition. Morgan Kaufmann, San Francisco 2016

neurčeno
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 6 hodin KS/semestr. 3 kr. Ukončení: z.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ing. Barbora Ptáčková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: St 12:15–12:59 E304, St 13:00–13:45 E304, P. Berka
B_ZZD/vAPH: So 11. 2. 9:45–11:15 E225, 11:30–13:00 E225, Pá 10. 3. 15:45–17:15 E304, P. Berka

Předpoklady

B_ES Expertní systémy
Podmínkou pro zakončení tohoto předmětu je ukončení předmětu B_ES.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází.
Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

povinná literatura
• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.

doporučená literatura
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning Tools and Techniques with Java. Fourth edition. Morgan Kaufmann, San Francisco 2016

neurčeno
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 6 hodin KS/semestr. 3 kr. Ukončení: z.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ing. Barbora Ptáčková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 8:45–9:29 E305, Po 9:30–10:15 E305, kromě Po 8. 2., kromě Po 7. 3. ; a Čt 17. 3. 8:45–10:15 E306, 10:30–12:00 E306, P. Berka
B_ZZD/vAPH: Pá 26. 2. 15:30–17:00 E128, Pá 8. 4. 15:30–17:00 E228, 17:15–18:45 E228, P. Berka

Předpoklady

B_ES Expertní systémy
Tento předmět nemá žádné předpoklady.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází.
Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning tools and Techniques with Java. Second edition. Morgan Kaufmann, San Francisco 2005
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 6 hodin KS/semestr. 3 kr. Ukončení: z.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Tamara Urbánková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 8:45–9:29 E128, Po 9:30–10:15 E128, P. Berka

Předpoklady

B_ES Expertní systémy
Tento předmět nemá žádné předpoklady.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází.
Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning tools and Techniques with Java. Second edition. Morgan Kaufmann, San Francisco 2005
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Informace učitele

http://sorry.vse.cz/~berka/B_ZZD

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 6 hodin KS/semestr. 3 kr. Ukončení: z.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Dagmar Medová, DiS.

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 8:45–9:29 DELL ROOM E302PC, Po 9:30–10:15 DELL ROOM E302PC, P. Berka
B_ZZD/vAPH: Pá 28. 3. 17:15–18:45 E128, Pá 11. 4. 15:30–17:00 E128, 17:15–18:45 E128, P. Berka

Předpoklady

Nejsou vyžadovány žádné předpoklady.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází.
Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning tools and Techniques with Java. Second edition. Morgan Kaufmann, San Francisco 2005
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Informace učitele

http://sorry.vse.cz/~berka/B_ZZD

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Aa2.

B_ZZD Získávání znalostí databází

Rozsah

2/0. 6 hodin KS/semestr. 3 kr. Doporučované ukončení: z. Jiná možná ukončení: zk.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Dagmar Medová, DiS.

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 10:30–11:14 DELL ROOM E302PC, Po 11:15–12:00 DELL ROOM E302PC, P. Berka
B_ZZD/vAPH: Pá 22. 2. 17:15–18:45 E228, Pá 22. 3. 15:30–17:00 E125, 17:15–18:45 E125, P. Berka

Předpoklady

Nejsou vyžadovány žádné předpoklady.

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází.
Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět základním datovým transformacím prováděným při předzpracování dat,
- formulovat úlohy dobývání znalostí z databází pro reálná data

Osnova

• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení: základní úlohy
• 4. rozhodovací stromy,
• 5. asociační pravidla,
• 6. rozhodovací pravidla,
• 7. neuronové sítě, genetické algoritmy
• 8. bayesovská klasifikace, případové usuzování
• 9. Interpretace nalezených znalostí
• 10. Předzpracování dat
• 11. Data mining s využitím systému Weka
• 12. Zápočtový test

Literatura

• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Witten I., Frank E.: Data Mining, Practical Machine Learning tools and Techniques with Java. Second edition. Morgan Kaufmann, San Francisco 2005
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001

Výukové metody

- přednášky, cvičení/semináře v prezenční formě studia,
- řízené skupinové konzultace v kombinované formě studia,
- případová studie analýzy dat metodami dobývání znalostí

Metody hodnocení

- závěrečný písemný test tvořený nestukturovanými otázkami (minimum 60% bodů)
- případová studie analýzy dat metodami dobývání znalostí

Informace učitele

http://sorry.vse.cz/~berka/B_ZZD

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.
Aa2.

B_ZZD Získávání znalostí databází

Rozsah

2/0. 8 hodin KS/semestr. 4 kr. Ukončení: zk.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ivana Plačková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 8:45–9:29 DELL ROOM E302PC, Po 9:30–10:15 DELL ROOM E302PC, P. Berka
B_ZZD/vAPH: So 3. 3. 9:45–11:15 E303PC, 11:30–13:00 E303PC, So 31. 3. 14:00–15:30 E303PC, 15:45–17:15 E303PC, P. Berka

Předpoklady

Expertní systémy

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází. V předmětu bude podán přehled problematiky (která je klíčovým faktorem rozvoje informačních technologií), používaných metod a systémů vyvíjených ve světě a u nás. V praktické části budou studenti pracovat s některými vybranými systémy.

Osnova

• Tato osnova je určena pro prezenční studium, průběh výuky pro kombinované studium je uveden ve studijních materiálech formou metodického listu (ML).
• Obsah přednášek:
• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení
• 4. Metody dobývání znalostí:
• 4.1 Symbolické metody strojového učení: rozhodovací stromy, rozhodovací pravidla, asociační pravidla, případové usuzování.
• 4.2 Subsymbolické metody strojového učení: neuronové sítě, bayesovská klasifikace, genetické algoritmy.
• 5. Interpretace nalezených znalostí: testování a kombinování modelů,vizualizace.
• 6. Předzpracování dat: selekce, transformace, diskretizace.

Literatura

• Povinná literatura
• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Doporučená literatura
• Witten I., Frank E.: Data Mining, Practical Machine Learning tools and Techniques with Java. Second edition. Morgan Kaufmann, San Francisco 2005
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001
• Další zdroje
• sorry.vse.cz/~berka/B_ZZD
• www.kdnuggets.com

Metody hodnocení

Typ výuky: Výuka probíhá formou přednášek Rozsah povinné účasti ve výuce: Minimální povinná účast na cvičení v prezenčním studiu je 75%, na řízených skupinových konzultacích v kombinovaném studiu 50%. Studentům, kteří nesplní povinný rozsah účasti, mohou být v průběhu semestru zadány dodatečné studijní povinnosti (v míře, která umožní prokázat studijní výsledky a získané kompetence nezbytné pro úspěšné zakončení předmětu). Způsob zakončení předmětu: Předmět je ukončen zkouškou. Pro úspěšné absolvování je třeba napsat test z teorie a (v prezenčním studiu) odevzdat výsledky analýzy zadaných dat systémem Weka

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 8 hodin/semestr. 4 kr. Ukončení: zk.

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ivana Plačková

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Další komentáře

Poznámka k ukončení předmětu: ISP
Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 8 hodin/semestr. 4 kr. Ukončení: zk.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ivana Plačková

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 10:30–11:14 DELL ROOM E302PC, Po 11:15–12:00 DELL ROOM E302PC, P. Berka
B_ZZD/vAPH: Pá 11. 2. 13:45–15:15 E306, 15:30–17:00 E306, Pá 11. 3. 15:30–17:00 E306, 17:15–18:45 E306, P. Berka

Předpoklady

Expertní systémy

Omezení zápisu do předmětu

Předmět je otevřen studentům libovolného oboru.

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází. V předmětu bude podán přehled problematiky (která je klíčovým faktorem rozvoje informačních technologií), používaných metod a systémů vyvíjených ve světě a u nás. V praktické části budou studenti pracovat s některými vybranými systémy.

Osnova

• Tato osnova je určena pro prezenční studium, průběh výuky pro kombinované studium je uveden ve studijních materiálech formou metodického listu (ML).
• Obsah přednášek:
• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení
• 4. Metody dobývání znalostí:
• 4.1 Symbolické metody strojového učení: rozhodovací stromy, rozhodovací pravidla, asociační pravidla, případové usuzování.
• 4.2 Subsymbolické metody strojového učení: neuronové sítě, bayesovská klasifikace, genetické algoritmy.
• 5. Interpretace nalezených znalostí: testování a kombinování modelů,vizualizace.
• 6. Předzpracování dat: selekce, transformace, diskretizace.

Literatura

• Povinná literatura
• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Doporučená literatura
• Witten I., Frank E.: Data Mining, Practical Machine Learning tools and Techniques with Java. Second edition. Morgan Kaufmann, San Francisco 2005
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001
• Další zdroje
• sorry.vse.cz/~berka/B_ZZD
• www.kdnuggets.com

Metody hodnocení

Typ výuky: Výuka probíhá formou přednášek Rozsah povinné účasti ve výuce: Minimální povinná účast na cvičení v prezenčním studiu je 80%, na řízených skupinových konzultacích v kombinovaném studiu 50%. Studentům, kteří nesplní povinný rozsah účasti, mohou být v průběhu semestru zadány dodatečné studijní povinnosti (v míře, která umožní prokázat studijní výsledky a získané kompetence nezbytné pro úspěšné zakončení předmětu). Způsob zakončení předmětu: Předmět je ukončen zkouškou. Pro úspěšné absolvování je třeba napsat test z teorie a (v prezenčním studiu) odevzdat výsledky analýzy zadaných dat systémem Weka

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 8 hodin za semestr. 4 kr. Ukončení: zk.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Lenka Bažantová

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 10:30–11:14 DELL ROOM E302PC, Po 11:15–12:00 DELL ROOM E302PC, P. Berka
B_ZZD/vAPH: So 13. 2. 9:45–11:15 E124, 11:30–13:00 E124, So 13. 3. 8:00–9:30 E124, Pá 26. 3. 17:15–18:45 E124, P. Berka

Předpoklady

Expertní systémy

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Aplikovaná informatika (program VSFS, B-INF) (2)

Cíle předmětu

Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází. V předmětu bude podán přehled problematiky (která je klíčovým faktorem rozvoje informačních technologií), používaných metod a systémů vyvíjených ve světě a u nás. V praktické části budou studenti pracovat s některými vybranými systémy.

Osnova

• Tato osnova je určena pro prezenční studium, průběh výuky pro kombinované studium je uveden ve studijních materiálech formou metodického listu (ML).
• Obsah přednášek:
• 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky.
• 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat
• 3. Strojové učení
• 4. Metody dobývání znalostí:
• 4.1 Symbolické metody strojového učení: rozhodovací stromy, rozhodovací pravidla, asociační pravidla, případové usuzování.
• 4.2 Subsymbolické metody strojového učení: neuronové sítě, bayesovská klasifikace, genetické algoritmy.
• 5. Interpretace nalezených znalostí: testování a kombinování modelů,vizualizace.
• 6. Předzpracování dat: selekce, transformace, diskretizace.

Literatura

• Povinná literatura
• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.
• Kelemen, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007
• Doporučená literatura
• Witten I., Frank E.: Data Mining, Practical Machine Learning tools and Techniques with Java. Second edition. Morgan Kaufmann, San Francisco 2005
• Han J., Kerber M.: Data Mining, Concepts and Techniques. Morgan Kaufmann, San Francisco 2001
• Další zdroje
• sorry.vse.cz/~berka/B_ZZD
• www.kdnuggets.com

Metody hodnocení

Typ výuky: Výuka probíhá formou přednášek Rozsah povinné účasti ve výuce: Minimální povinná účast na cvičení v prezenčním studiu je 80%, na řízených skupinových konzultacích v kombinovaném studiu 50%. Studentům, kteří nesplní povinný rozsah účasti, mohou být v průběhu semestru zadány dodatečné studijní povinnosti (v míře, která umožní prokázat studijní výsledky a získané kompetence nezbytné pro úspěšné zakončení předmětu). Způsob zakončení předmětu: Předmět je ukončen zkouškou. Pro úspěšné absolvování je třeba napsat test z teorie a (v prezenčním studiu) odevzdat výsledky analýzy zadaných dat systémem Weka

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 8 hodin za semestr. 4 kr. Ukončení: zk.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)
RNDr. Václav Vohánka (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Lenka Bažantová

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Po 8:45–9:29 DELL ROOM E302PC, Po 9:30–10:15 DELL ROOM E302PC, P. Berka
B_ZZD/vAPH: So 7. 2. 9:45–11:15 DELL ROOM E302PC, 11:30–13:00 DELL ROOM E302PC, So 21. 2. 8:00–9:30 DELL ROOM E302PC, 9:45–11:15 DELL ROOM E302PC, P. Berka

Předpoklady

Základní znalosti práce na počítači, znalosti matematiky a logiky na úrovni úvodních kurzů.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Aplikovaná informatika (program VSFS, B-INF) (2)

Cíle předmětu

Anotace je stejná pro obě formy studia. Cíl kurzu: Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází. V předmětu bude podán přehled problematiky (která je klíčovým faktorem rozvoje informačních technologií), používaných metod a systémů vyvíjených ve světě a u nás. V praktické části budou studenti pracovat s některými vybranými systémy.

Osnova

• Tato osnova je určena pro prezenční studium, průběh výuky pro kombinované studium je uveden ve studijních materiálech formou metodického listu (ML). Obsah přednášek: 1. Proces dobývání znalostí z databází: typy úloh, dílčí kroky, metodiky. 2. Východiska dobývání znalostí: databázové techniky, statistické metody analýzy dat 3. Strojové učení 4. Metody dobývání znalostí: 4.1 Symbolické metody strojového učení: rozhodovací stromy, rozhodovací pravidla, asociační pravidla, případové usuzování. 4.2 Subsymbolické metody strojového učení: neuronové sítě, bayesovská klasifikace, genetické algoritmy. 5. Interpretace nalezených znalostí: testování a kombinování modelů,vizualizace. 6. Předzpracování dat: selekce, transformace, diskretizace.

Literatura

• Berka,P.Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.

Metody hodnocení

Vyučující metody: Metody hodnocení Předmět je ukončen zkouškou. Pro úspěšné absolvování je třeba: napsat test z teorie odevzdat výsledky analýzy zadaných dat systémem Weka

B_ZZD Získávání znalostí z databází

Rozsah

2/0. 10 hodin za semestr. 4 kr. Ukončení: zk.

Vyučující

prof. Ing. Petr Berka, CSc. (cvičící)
RNDr. Václav Vohánka (cvičící)

Garance

prof. Ing. Petr Berka, CSc.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Lenka Bažantová

Rozvrh seminárních/paralelních skupin

B_ZZD/pAPH: Út 12:15–12:59 DELL ROOM E302PC, Út 13:00–13:45 DELL ROOM E302PC, P. Berka
B_ZZD/uAPH: Út 9. 10. 15:45–17:15 DELL ROOM E302PC, Út 16. 10. 15:45–17:15 DELL ROOM E302PC, 17:30–19:00 DELL ROOM E302PC, Út 6. 11. 17:30–19:00 DELL ROOM E302PC, 19:15–20:45 DELL ROOM E302PC, P. Berka
B_ZZD/vAMO: So 27. 10. 11:30–13:00 M11PC, So 10. 11. 9:45–11:15 M11PC, 11:30–13:00 M11PC, So 1. 12. 9:45–11:15 M11PC, 11:30–13:00 M11PC, V. Vohánka
B_ZZD/vAPH: So 24. 11. 9:45–11:15 E303PC, 11:30–13:00 E303PC, So 8. 12. 9:45–11:15 E303PC, 11:30–13:00 E303PC, Pá 4. 1. 13:45–15:15 E303PC, P. Berka

Předpoklady

Základní znalosti práce na počítači, znalosti matematiky a logiky na úrovni úvodních kurzů.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Aplikovaná informatika (program VSFS, B-INF) (2)

Cíle předmětu

Anotace je stejná pro obě formy studia. Cíl kurzu: Cílem předmětu je seznámit studenty s metodami automatizovaného získávání znalostí z databází. V předmětu bude podán přehled problematiky (která je klíčovým faktorem rozvoje informačních technologií), používaných metod a systémů vyvíjených ve světě a u nás. V praktické části budou studenti pracovat s některými vybranými systémy.

Osnova

• Tato osnova je určena pro prezenční studium, průběh výuky pro kombinované studium je uveden ve studijních materiálech formou metodického listu (ML). Obsah přednášek: 1. Získávání znalostí z databází: manažerský pohled, zdroje a součásti. 2. Proces KDD: 2.1 Předzpracování: selekce, transformace, diskretizace... 2.2 Dolování z dat: typy úloh, obecné principy 2.3 Statistické metody: regrese, shluková analýza, diskriminační analýza. 2.4 Symbolické metody strojového učení: rozhodovací stromy, rozhodovací pravidla, asociační pravidla, případové usuzování. 2.5 Subsymbolické metody strojového učení: neuronové sítě, bayesovská klasifikace, genetické algoritmy. 2.6 Interpretace nalezených znalostí: testování,vizualizace. 3. Systémy KDD: Clementine, WEKA. 4. Aplikace KDD.

Metody hodnocení

Vyučující metody: Metody hodnocení Předmět je ukončen zkouškou. Pro úspěšné absolvování je třeba: napsat test z teorie odevzdat výsledky analýzy zadaných dat systémem Weka

Informace učitele

Literatura: Berka,P. Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9.

• Statistika zápisu (nejnovější)