460-4102/01 – Metody analýzy dat IV (MAD IV)
Garantující katedra | Katedra informatiky | Kredity | 4 |
Garant předmětu | prof. Ing. Jan Platoš, Ph.D. | Garant verze předmětu | prof. Ing. Jan Platoš, Ph.D. |
Úroveň studia | pregraduální nebo graduální | Povinnost | povinně volitelný |
Ročník | 2 | Semestr | letní |
| | Jazyk výuky | čeština |
Rok zavedení | 2015/2016 | Rok zrušení | 2022/2023 |
Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Absolvent předmětu získá následující znalosti a dovednosti:
teoretické základy metod pro analýzu dat,
implementace a aplikace vybraných metod,
praktické použití metod analýzy dat na reálných problémech,
aplikace vybraných softwarových balíků pro analýzu dat,
vizualizaci a analýzy výsledků
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
Při řešení výzkumných i praktických úloh vzniká často problém s vyhodnocením a interpretací informací, které poskytují naměřená či evidovaná data z praxe. V předmětu se studenti seznámí se pokročilými přístupy, metodami z oblasti strojového učení, dolování dat a analýzy sítí.
Přednášky poskytnou nezbytné množství teorie tak, aby mohla být aplikována při samostatné práci studentů na cvičeních. Cvičení nabídnou prostor pro prodiskutování problematiky, ukázku praktických úloh a procvičení na jednoduchých zadáních.
Povinná literatura:
H. Řezanková, D. Húsek, V. Snášel, Shluková analýza dat Druhé rozšířené vydání, Professional Publishing, 2009.
Han Jiawei; Kamber Micheline; Pei Jian, Data Mining, The Morgan Kaufmann Series in Data Management Systems, 3rd edition, 2011.
Mohammed J. Zaki, Wagner Meira. Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press, 2014
Langville, Amy N.; Meyer, Carl D. D. Who's #1?: The Science of Rating and Ranking. Princeton University Press. 2012.
Robinson, Ian; Webber, Jim; Eifrem. Graph Databases. O'Reilly Media. 2013.
Murphy, Kevin P. Machine Learning: A Probabilistic Perspective.The MIT Press. 2013.
Doporučená literatura:
D. Skillicorn, Understanding Complex datasets: data mining with matrix decompositions, Chapman & Hall/CRC, 2007.
Forma způsobu ověření studijních výsledků a další požadavky na studenta
E-learning
Další požadavky na studenta
Další požadavky na studenta nejsou kladeny.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
1) Strojové učení
2) Bayesovské sítě
3) Reinforcement learning
4) Bagging
5) Boosting
6) Stacking
7) Heterogenní sítě
8) Ranking
9) Analýza tenzorových dat
10) Grafové databáze
Cvičení na počítačové učebně:
1) Procvičení algoritmů pro strojové učení
2) Procvičení algoritmů pro Bayesovské sítě
3) Procvičení algoritmů pro Reinforcement learning
4) Procvičení algoritmů pro Bagging
5) Procvičení algoritmů pro Boosting
6) Procvičení algoritmů pro Stacking
7) Příklady heterogenních sítí
8) Procvičení algoritmů pro Ranking
9) Procvičení aplikace analýzy tenzorových dat
10) Příklady použití grafových databází
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky