460-4099/01 – Metody analýzy dat III (MAD III)

Garantující katedraKatedra informatikyKredity4
Garant předmětudoc. Ing. Jan Platoš, Ph.D.Garant verze předmětudoc. Ing. Jan Platoš, Ph.D.
Úroveň studiapregraduální nebo graduálníPovinnostpovinně volitelný
Ročník2Semestrzimní
Odkaz na webJazyk výukyčeština
Rok zavedení2015/2016Rok zrušení
Určeno pro fakultyFEI, USPUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
KUD007 doc. Mgr. Miloš Kudělka, Ph.D.
OH140 RNDr. Eliška Ochodková, Ph.D.
PLA06 doc. Ing. Jan Platoš, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Klasifikovaný zápočet 2+2
kombinovaná Klasifikovaný zápočet 10+0

Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi

Cílem předmětu je prohloubit a upřesnit znalosti metod pro analýzu dat získané v předchozích semestrech. Hlavními znalostmi, které budou studentům předány, jsou pokročilé algoritmy pro klasifikaci dat, zpracování streamových dat, pokročilých datových struktur a technik machine learningu. Studenti budou schopni tyto metody využít, budou schopni správně interpretovat dosažené výsledky a také data a výsledky vhodnými metodami prezentovat a vizualizovat.

Vyučovací metody

Přednášky
Cvičení (v učebně)

Anotace

V předmětu se studenti obeznámí s pokročilejší algoritmy pro klasifikaci dat, zpracování streamových dat, pokročilých datových struktur a technik machine learningu. Přednášky se budou věnovat teoretickému popisu jednotlivých algoritmů pro jednotlivé úlohy analýzy dat a to tak, aby byly studenti schopni sami rozhodnout, kdy je která metod vhodná, jaké má předpoklady, jaký je její princip a jaké výstupy s ní lze získat. Cvičení pak poslouží pro praktické experimenty nad vhodnými datovými sadami, experimentování s nástroji pro analýzu dat a zhodnocení výsledků.

Povinná literatura:

Prezentace k přednáškám Ian H. Witten, Eibe Frank, Mark A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Third Edition, Morgan Kaufmann, 2011, ISBN: 978-0123748560 Mark Newman. Networks: An Introduction. Oxford University Press, 2010. ISBN 978-0199206650.

Doporučená literatura:

Mohammed J. Zaki, Wagner Meira, Jr., Data Mining and Analysis: Fundamental Concepts and Algorithms, Cambridge University Press, May 2014. ISBN: 9780521766333. Jure Leskovec, Anand Rajaraman, David Ullman, Mining of Massive Datasets, 2nd editions, Cambridge University Press, Novemeber 2014, ISBN: 9781107077232, On-line http://infolab.stanford.edu/~ullman/mmds/book.pdf [2014-09-12]

Způsob průběžné kontroly znalostí během semestru

E-learning

Další požadavky na studenta

Další požadavky na studenta nejsou kladeny.

Minimální znalostní požadavky

Prerekvizity

Předmět nemá žádné prerekvizity.

Korekvizity

Předmět nemá žádné korekvizity.

Osnova předmětu

Přednášky: 1. Pravděpodobnostní klasifikace 2. Rozhodovací stromy 3. Lineární diskriminační analýza 4. Support Vector Machine 5. Modely sítí 6. Efektivní datové struktury 7. Základní metody pro Machine Learning 8. Základní učící techniky 9. Regrese 10. Streamová data 11. Detekce Anomálií 12. Vizualizace dat Cvičení na počítačové učebně: 1. Praktické ukázky, cvičení, diskuze: Pravděpodobnostní klasifikace 2. Praktické ukázky, cvičení, diskuze: Rozhodovací stromy 3. Praktické ukázky, cvičení, diskuze: Lineární diskriminační analýza 4. Praktické ukázky, cvičení, diskuze: Support Vector Machine 5. Praktické ukázky, cvičení, diskuze: Modely sítí 6. Praktické ukázky, cvičení, diskuze: Efektivní datové struktury 7. Praktické ukázky, cvičení, diskuze: Základní metody pro Machine Learning 8. Praktické ukázky, cvičení, diskuze: Základní učící techniky 9. Praktické ukázky, cvičení, diskuze: Regrese 10. Praktické ukázky, cvičení, diskuze: Streamová data 11. Praktické ukázky, cvičení, diskuze: Detekce Anomálií 12. Praktické ukázky, cvičení, diskuze: Vizualizace dat

Podmínky absolvování předmětu

Prezenční forma (platnost od: 2015/2016 zimní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodů
Klasifikovaný zápočet Klasifikovaný zápočet 100  51
Rozsah povinné účasti:

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramOborSpec.FormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2017/2018 (N2647) Informační a komunikační technologie (1801T064) Informační a komunikační bezpečnost P čeština Ostrava 2 volitelný odborný stu. plán
2017/2018 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika P čeština Ostrava 2 povinně volitelný stu. plán
2017/2018 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika K čeština Ostrava 2 povinně volitelný stu. plán
2017/2018 (N2658) Výpočetní vědy (2612T078) Výpočetní vědy P čeština Ostrava 2 povinně volitelný stu. plán
2016/2017 (N2658) Výpočetní vědy (2612T078) Výpočetní vědy P čeština Ostrava 2 povinně volitelný stu. plán
2016/2017 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika P čeština Ostrava 2 povinně volitelný stu. plán
2016/2017 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika K čeština Ostrava 2 povinně volitelný stu. plán
2016/2017 (N2647) Informační a komunikační technologie (1801T064) Informační a komunikační bezpečnost P čeština Ostrava 2 volitelný odborný stu. plán
2015/2016 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika P čeština Ostrava 2 povinně volitelný stu. plán
2015/2016 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika K čeština Ostrava 2 povinně volitelný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku