B_ZZD Získávání znalostí databází

Vysoká škola finanční a správní
léto 2012
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.
Předmět je zařazen také v obdobích zima 2007, léto 2009, léto 2010, léto 2011, zima 2011, léto 2013, léto 2014, léto 2015, léto 2016, léto 2017, léto 2018, léto 2019, léto 2020, léto 2021.