Detail předmětu

Získávání znalostí z databází

FIT-ZZNAk. rok: 2017/2018

Základní pojmy související se získáváním znalostí z databází, vztah získávání znalostí a dolování dat. Zdroje dat pro získávání znalostí. Podstata a techniky předzpracování dat pro dolování. Systémy pro získávání znalostí, dotazovací jazyky pro dolování. Techniky dolování různých typů znalostí -  asociační pravidla, klasifikace a predikce, shlukování. Dolování v netradičních datech - proudech dat, časových řadách a posloupnostech, grafech, prostorových a časoprostorových datech, multimediálních datech. Dolování v textu a na webu. Vypracování projektu využitím dostupného nástroje pro dolování v datech.

Jazyk výuky

čeština

Počet kreditů

5

Výsledky učení předmětu

  • Studenti získají dostatečně široký a přitom i dostatečně do hloubky jdoucí přehled v oblasti získávání znalostí z databází.
  • Jsou schopni nástroje pro získávání znalostí používat i vytvářet.

  • Student se naučí odborné terminologii v českém i anglickém jazyce.
  • Student získá zkušenost s řešením projektů v malém týmu.
  • Student se zdokonalí v prezentaci a obhajobě výsledků projektu.

Prerekvizity

  • Znalost základů pravděpodobnosti a statistiky.
  • Znalost databázových technologií na úrovni bakalářského předmětu.

Způsob a kritéria hodnocení

Udělení zápočtu je podmíněno vypracováním projektu, jeho obhajobou v předepsaných termínech a ziskem minimálně 24 bodů za bodované aktivity v průběhu semestru.

Osnovy výuky

Osnova přednášek:
  1. Úvod - motivace, základní pojmy, typy zdrojů dat a získávaných znalostí, metodologie. 
  2. Předzpracování dat v procesu získávání znalostí - charakteristiky dat.
  3. Předzpracování dat v procesu získávání znalostí - metody předzpracování.
  4. Datové sklady a technologie OLAP pro získávání znalostí z databází.
  5. Dolování frekventovaných vzorů a asociací - základní pojmy, efektivní a škálovatelné metody hledání frekventovaných množin.
  6. Víceúrovňová asociační pravidla, asociační a korelační analýza, omezená asociační pravidla.
  7. Klasifikace a predikce - základní pojmy, rozhodovací strom, bayesovská klasifikace, klasifikace založená na pravidlech.
  8. Klasifikace s využitím neuronových sítí, SVM klasifikátor, další metody klasifikace, predikce.
  9. Shluková analýza - základní pojmy, typy dat při shlukování, metody založené na rozčleňování, hierarchické metody.
  10. Další metody shlukování. Dolování v biologických datech.
  11. Úvod do dolování v proudech dat, časových řadách a posloupnostech.
  12. Úvod do dolování v grafech, časoprostorových datech, datech pohybujících se objektů a multimediálních datech.
  13. Dolování textu a na webu.

Osnova ostatní - projekty, práce:
  • Vypracování projektu v prostředí dostupného nástroje pro získávání znalostí z databází.

Učební cíle

Seznámit studenty s problematikou získávání znalostí z různých typů datových zdrojů, vysvětlit typy užitečných znalostí a jednotlivé kroky procesu získávání znalostí z dat a seznámit je s technikami, algoritmy a nástroji používanými při tomto procesu.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Půlsemestrální písemná zkouška, formulace dolovací úlohy, prezentace projektu. Pro získání bodů ze zkoušky je nutné zkoušku vypracovat tak, aby byla hodnocena nejméně 20 body. V opačném případě bude zkouška hodnocena 0 body.

Základní literatura

  • Han, J., Kamber, M.: Data Mining: Concepts and Techniques. Third Edition. Morgan Kaufmann Publishers, 2012, 703 p., ISBN 978-0-12-381479-1.
  • Han, J., Kamber, M.: Data Mining: Concepts and Techniques. Second Edition. Elsevier Inc., 2006, 770 p., ISBN 1-55860-901-3.  

 

Zařazení předmětu ve studijních plánech

  • Program IT-MGR-2 magisterský navazující

    obor MBS , libovolný ročník, zimní semestr, povinně volitelný
    obor MMI , libovolný ročník, zimní semestr, volitelný
    obor MMM , libovolný ročník, zimní semestr, volitelný
    obor MPV , libovolný ročník, zimní semestr, povinně volitelný
    obor MBI , 2. ročník, zimní semestr, povinný
    obor MIS , 2. ročník, zimní semestr, povinně volitelný
    obor MIN , 2. ročník, zimní semestr, povinný
    obor MGM , 2. ročník, zimní semestr, volitelný
    obor MSK , 2. ročník, zimní semestr, povinně volitelný

Typ (způsob) výuky

 

Přednáška

39 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Úvod - motivace, základní pojmy, typy zdrojů dat a získávaných znalostí, metodologie. 
  2. Předzpracování dat v procesu získávání znalostí - charakteristiky dat.
  3. Předzpracování dat v procesu získávání znalostí - metody předzpracování.
  4. Datové sklady a technologie OLAP pro získávání znalostí z databází.
  5. Dolování frekventovaných vzorů a asociací - základní pojmy, efektivní a škálovatelné metody hledání frekventovaných množin.
  6. Víceúrovňová asociační pravidla, asociační a korelační analýza, omezená asociační pravidla.
  7. Klasifikace a predikce - základní pojmy, rozhodovací strom, bayesovská klasifikace, klasifikace založená na pravidlech.
  8. Klasifikace s využitím neuronových sítí, SVM klasifikátor, další metody klasifikace, predikce.
  9. Shluková analýza - základní pojmy, typy dat při shlukování, metody založené na rozčleňování, hierarchické metody.
  10. Další metody shlukování. Dolování v biologických datech.
  11. Úvod do dolování v proudech dat, časových řadách a posloupnostech.
  12. Úvod do dolování v grafech, časoprostorových datech, datech pohybujících se objektů a multimediálních datech.
  13. Dolování textu a na webu.

Projekt

13 hod., nepovinná

Vyučující / Lektor