N_DZD Dobývání znalostí z databází

Vysoká škola finanční a správní
léto 2026
Rozsah
0/2/0. 12 hodin KS/semestr. 3 kr. Ukončení: z.
Vyučující
Ing. Renata Janošcová, Ph.D. (cvičící)
Garance
Ing. Renata Janošcová, Ph.D.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Ivana Plačková
Rozvrh seminárních/paralelních skupin
N_DZD/cIPH: každý lichý čtvrtek 8:45–9:29 E303PC, každý lichý čtvrtek 9:30–10:15 E303PC, každý lichý čtvrtek 10:30–11:14 E303PC, každý lichý čtvrtek 11:15–12:00 E303PC, R. Janošcová
N_DZD/v24IPH: Pá 6. 2. 14:00–15:30 E303PC, 15:45–17:15 E303PC, Pá 6. 3. 14:00–15:30 E303PC, 15:45–17:15 E303PC, Pá 24. 4. 14:00–15:30 E303PC, 15:45–17:15 E303PC, R. Janošcová
Předpoklady
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. Výklad bude zaměřen na jednotlivé algoritmy z oblasti strojového učení. Studenti se seznámí s jedním z používaných systémů KDD (Knowledge Discovery in Databases). V praktické části budou studenti pracovat s vybraným systémem KDD (zpravidla Weka).
Výstupy z učení
Na konci tohoto kurzu bude student schopen:
- porozumět roli dobývání znalostí z databází pro analýzu dat,
- porozumět jednotlivým úlohám dobývání znalostí,
- porozumět základním principům jednotlivých algoritmů pro data mining,
- porozumět základním metodám pro hodnocení nalezených znalostí,
- porozumět problémům předzpracování dat.
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, systém Weka.
  • 4. Rozhodovací stromy.
  • 5. Asociační pravidla.
  • 6. Rozhodovací pravidla.
  • 7. Neuronové sítě, genetické algoritmy.
  • 8. Bayesovská klasifikace, případové usuzování.
  • 9. Interpretace výsledkù a nalezených znalostí; Zadání projektu KDD.
  • 10. Předzpracování dat; Řešení projektu KDD.
  • 11. Nové trendy; Řešení projektu KDD.
  • 12. Prezentování projektu KDD.
Literatura
    povinná literatura
  • BORKOVCOVÁ, Monika, Jan MERTA et all. Enviromentální analýza dat. Žilina: EDIS, 2025. ISBN: 978-80-554-2186-5. Dostupná po registraci z: https://edis.uniza.sk/produkt/7421/Environmentalni-analyza-dat/.
  • BERKA, P. a J. GÓRECKI. [pdf] Dolování dat. Skripta SU OPF, Karviná, 2017. Dostupná z: https://is.slu.cz/el/opf/zima2021/INMNPDOD/um/Dolovani_dat.pdf
  • Ian H. Witten, Eibe Frank, Mark A. Hall, and Christopher J.Pal.2017.Data Mining:Practical Machine Learning Tools and Techniques. Vol.Fourth edition. Cambridge,MA, US: Morgan Kaufmann. ISBN 9780128042915.EBSCO (e-kniha přes IS VŠFS)
  • MUKTHAR, K. P. J., HUERTA-SOTO, R. M., JAIN, V. a RAMIREZ-ASIS, E. H., eds. AI and Fintech: Improving the Financial Landscape. Boca Raton: CRC Press, 2025. ISBN 978-1-032-82517-5. DOI: 10.1201/9781003645849.
    doporučená literatura
  • BERKA,P. Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9
  • WITTEN, Ian H., Frank, EIBE et all. Data Mining : Practical Machine Learning Tools and Techniques. Edition 5. Cambridge,MA, US: Morgan Kaufmann, 2025. ISBN 9780443158889.
  • JAMSA, K. Introduction to Data Mining and Analytics. Burlington : Jones & Bartlett Learning, 2021. ISBN: 9781284180909. EBSCO (e-kniha, dostupná přes IS VŠFS)
  • NAQVI, Al. Artificial Intelligence for Audit, Forensic Accounting, and Valuation : A Strategic Perspective, John Wiley & Sons, Incorporated, 2020. ProQuest Ebook Central.ISBN:9781119601883.ProQuest Ebook (e-kniha přes IS VŠFS)
Výukové metody
Výuka probíhá formou cvičení v prezenční formě studia; soustředění v kombinované formě studia.

Na cvičeních se budou uplatňovat metody: přednáška, diskuse, týmový projekt, prezentace projektu. U KS formy je důležitou studijní metodou samostudium dostupných materiálů.

Minimální povinná účast ve výuce je u obou forem (PS i KS) 50 %.
Metody hodnocení
Předmět je zakončen zápočtem.

ZÁPOČET se v obou formách (PS i KS) uděluje za vypracování praktických úkolů zadaných na cvičeních a týmového projektu (4-6 studentů), který obnáší analýzu reálních dat ve vybraném systému KDD v souladu se zadáním. Zadání projektu najdete v studijních materiálech a v MS Teams.

Vyžaduje se splnění docházky (min. 50 %), odevzdání cvičení a projektu v odevzdávárně a prezentování týmového projektu na cvičeních.

ISP studenti - stejné podmínky, jako prezenční studenti.
ISP i OPAKUJÍCÍ studenti - se co nejdřív dohodnou s vyučujícím na způsobu hodnocení.
Odkaz a informace učitele
Webová stránka předmětu (výš) představuje LINK na tým (předmět) v MS Teams (pak vyberte kanál Vašeho vyučujícího, nebo formu studia - KS nebo PS).
Je nutno nainstalovat si MS Teams formou aplikace na Vašem noteboku.
KONTAKTY na vyučující: garant Ing. Renata Janošcová, Ph.D 37037@mail.vsfs.cz.
KONZULTACE: informace najdete na osobních stránkách vyučující v IS VŠFS (Výuka). https://is.vsfs.cz/auth/osoba/37037#vyuka
ISP a OPAKUJÍCÍ studenti: Hned na začátku semestru (první - druhý týden) kontaktujte Vašeho vyučujícího a dohodněte se na konkrétních podmínkách docházky a hodnocení.
DOPORUČUJI podat žádost o zařazení do rozvrhové (seminární) skupiny ke konkrétnímu vyučujícímu dle pokynů ze studijního oddělení. 3 kredity: 75 - 90 hodin studijní zátěže.
Další komentáře
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je zařazen také v obdobích léto 2020, léto 2021, léto 2022, léto 2023, léto 2024, léto 2025, léto 2027.