N_DZD Dobývání znalostí z databází

Vysoká škola finanční a správní
léto 2027
Rozsah
0/2/0. 12 hodin KS/semestr. 3 kr. Ukončení: z.
Garance
Ing. Renata Janošcová, Ph.D.
Katedra informatiky a matematiky (FES, KIM) – Katedry – Vysoká škola finanční a správní
Kontaktní osoba: Mgr. Petra Dovhunová
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
  • 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
  • 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/.
  • Edited By HASAN, S. J. Foundations of Artificial Intelligence in Finance : Insights for Practitioners with Applications and Case Studies. Routledge, 2026. ISBN 9781041010333.
  • 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.
    doporučená literatura
  • BERKA, P. Dobývání znalostí z databází. Academia : Praha, 2003. ISBN 80-200-1062-9
  • BRAVO, C. Deep Learning in Banking : Integrating Artificial Intelligence for Next-Generation Financial Services. Wiley, 2026. ISBN 9781394295371.
  • JAMSA, K. Introduction to Data Mining and Analytics. Burlington : Jones & Bartlett Learning, 2021. ISBN: 9781284180909. EBSCO (e-kniha, dostupná 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.
  • 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)
  • WITTEN, Ian H., Frank, EIBE et all. Data Mining:Practical Machine Learning Tools and Techniques. Vol.Fourth edition. Cambridge,MA, US: Morgan Kaufmann, 2017. ISBN 9780128042915.EBSCO (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 zápočtového projektu (4-6 studentů), který obnáší analýzu reálních dat ve vybraném systému KDD v souladu se zadáním. Zadání projektu najdete v studijních materiálech v IS VŠFS a v MS Teams.

K zápočtu vyžaduje se splnění docházky (min. 50 %), odevzdání cvičení v MS Teams. Dále  prezentování týmového zápočtového projektu a jeho zaslání v odevzdávárně.

ISP studenti - stejné podmínky, jako prezenční studenti.
ISP i OPAKUJÍCÍ studenti - se co nejdřív dohodnou s vyučujícím na podmínkách zápočtu.
Odkaz a informace učitele
https://is.vsfs.cz/go/fc1ryx
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/PC.

KONTAKTY na vyučující: garant Ing. Renata Janošcová, Ph.D 37037@mail.vsfs.cz   (jenom na osobní záležitosti, vše ostatní řešte v MS Teams).

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 zápočtu.


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 2026.
  • Statistika zápisu (nejnovější)
  • Permalink: https://is.vsfs.cz/predmet/vsfs/leto2027/N_DZD