B_DZD Dobývání znalostí z databází

Vysoká škola finanční a správní
zima 2024
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
B_DZD/cEKKV: každý lichý čtvrtek 14:00–14:44 KV305PC, každý lichý čtvrtek 14:45–15:30 KV305PC, každý lichý čtvrtek 15:45–16:29 KV305PC, každý lichý čtvrtek 16:30–17:15 KV305PC, kromě Čt 10. 10. ; a Čt 28. 11. 10:30–12:00 KV305PC, 12:15–13:45 KV305PC, R. Janošcová
B_DZD/cEKPH: každou lichou středu 15:45–16:29 E228, každou lichou středu 16:30–17:15 E228, každou lichou středu 17:30–18:14 E228, každou lichou středu 18:15–19:00 E228, R. Janošcová
B_DZD/vEKPH: So 26. 10. 9:45–11:15 E227, 11:30–13:00 E227, So 9. 11. 9:45–11:15 E227, 11:30–13:00 E227, So 23. 11. 9:45–11:15 E227, 11:30–13:00 E227, 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,
- formulovat úlohy dobývání znalostí z databází pro reálná data
Osnova
  • 1. Data, informace, znalosti, databáze.
  • 2. Proces dobývání znalostí.
  • 3. Strojové učení; WEKA...
  • 4. Symbolické metody klasifikace a predikce.
  • 5. Subsymbolické metody klasifikace a predikce.
  • 6. Analýza závislostí.
  • 7. Segmentace.
  • 8. Vyhodnocení nalezených znalostí.
  • 9. Nové trendy; Zadání případové studie.
  • 10.Řešení případové studie.
  • 11.Řešení případové studie
  • 12.Prezentování případové studie
Literatura
    povinná literatura
  • POTANČOK, Martin, Jan POUR a Veronika CHRAMOSTOVÁ. Business analytika v praxi. Praha: Oeconomica, nakladatelství VŠE, 2020. ISBN 978-80-245-2382-8.
  • BERKA, P. 4IZ450 – Dobývání znalostí z databází. Praha: VŠE, 2006 - 2021. https://sorry.vse.cz/~berka/4IZ450/
  • BERKA,P. Dobývání znalostí z databází. Academia, Praha 2003. ISBN 80-200-1062-9
    doporučená literatura
  • 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)
  • 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)
  • KELEMEN, J. a kol.: Pozvanie do znalostnej spoločnosti. Iura Edition, Bratislava, 2007. ISBN 9788080781491.
Výukové metody
- Cvičení, přednášky, čtení v prezenční formě studia;
- Výuka v kombinovaném studiu bude probíhat formou soustředění, kdy je vedle zhuštěné prezentace tématu předpokládáno též předchozí samostudium.
- V obou formách - rešerše, nebo případové studie analýzy dat metodami dobývání znalostí.
Metody hodnocení
Předmět je zakončen ZÁPOČTEM (3 kredity).
ZÁPOČET - Prezenční studium: Udělení zápočtu je vázáno na:
- splnění povinnosti aktivní docházky min. 75 % (tj. aktivní podílení se na průběhu výuky).
- Vypracování a prezentování týmové případové studie (analýza dat ve vybraném systému KDD), nebo zpracování zadaného teoretického tématu KDD dle pokynů vyučujícího (týmová rešerše, upřesnění bude zveřejněno v MS Teams).
ZÁPOČET - Kombinované studium: Udělení zápočtu je vázáno na:
- splnění povinnosti aktivní docházky v min. rozsahu 50 % na soustředěních (aktivní podílení se na průběhu výuky).
- Stejně, jako u prezenčních studentů - Vypracování týmové případové studie, nebo zpracování teoretického tématu KDD.
POZOR: U všech forem je nutné:
- odevzdání zápočtové práce dle zadání v odevzdávárně s podobností menší, nebo rovno 20 %.

Pokud bude probíhat výuka, tutoriál nebo konzultace prostřednictvím Microsoft Teams, očekává se při vyzvání pedagoga zapnutí kamery a mikrofonu.
Informace učitele
https://is.vsfs.cz/go/go690a
Webová stránka předmětu (výše) představuje LINK na tým (předmět) v MS Teams (pak vyberte kanál Vašeho vyučujícího).

Studijní materiály (přednášky, videozáznamy, ...) předmětu najdete v IS VŠFS: https://is.vsfs.cz/auth/el/vsfs/zima2024/B_DZD/

KONTAKTY na vyučující: garant Ing. Renata Janošcová, Ph.D - 37037@mail.vsfs.cz.

KONZULTACE: informace najdete na osobních stránkách vyučující v IS VŠFS (Výuka).

ISP a OPAKUJÍCÍ studenti: Hned na začátku semestru (první - druhý týden) kontaktujte Vašeho vyučujícího a dohodněte se na konkrétních podmínkách docházky a hodnocení.

DOPORUČUJEME podat žádost o zařazení do rozvrhové (seminární) skupiny ke konkrétnímu vyučujícímudle pokynů ze studijního oddělení.
Další komentáře
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je zařazen také v obdobích zima 2020, zima 2021, zima 2022, zima 2023.
  • Statistika zápisu (nejnovější)
  • Permalink: https://is.vsfs.cz/predmet/vsfs/zima2024/B_DZD