460-4128/01 – Pokročilé metody analýzy dat (PMAD)

Garantující katedraKatedra informatikyKredity4
Garant předmětuprof. Ing. Jan Platoš, Ph.D.Garant verze předmětuprof. Ing. Jan Platoš, Ph.D.
Úroveň studiapregraduální nebo graduálníPovinnostpovinný
Ročník2Semestrzimní
Jazyk výukyčeština
Rok zavedení2019/2020Rok zrušení2022/2023
Určeno pro fakultyFEIUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
PLA06 prof. Ing. Jan Platoš, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Klasifikovaný zápočet 2+2

Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi

Cílem předmětu je seznámit studenty s pokročilými metodami analýzy dat a to zejména při práci s rozsáhlými daty. Proto bude dbán důraz na efektivní algoritmy s využitím optimalizovaných datových struktur. Znalosti studentů budou demonstrovány na praktických datech a jejich zpracování s dosažením výsledků a jejich prezentaci.

Vyučovací metody

Přednášky
Cvičení (v učebně)

Anotace

Studenti se v předmětu seznámí s algoritmy a nástroji pro analýzu velkých dat a jejich reálnou aplikaci. Na začátku budou seznámeni s algoritmy vhodnými pro velká dat, jejich předpoklady a výsledky a možnosti reprezentace znalostí. Dále pak vyzkoušení metody založené na Hlubokých neuronových sítích a jejich možnostech nad výkonným výpočetním hardwarem. V poslední řadě vyzkoušejí realizaci doručovacího algoritmu založeného na kombinaci metod. Tyto znalosti si ověří v rámci cvičení při práci s reálnými daty.

Povinná literatura:

Ian H. Witten, Eibe Frank, Mark A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Third Edition, Morgan Kaufmann, 2011, ISBN: 978-0123748560 Charu C. Aggarwal, Data Mining - The Text Book, Springer 2015.

Doporučená literatura:

1. Mohammed J. Zaki, Wagner Meira, Jr., Data Mining and Analysis: Fundamental Concepts and Algorithms, Cambridge University Press, May 2014. ISBN: 9780521766333. 2. 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] 3. Mohammed J. Zaki, Wagner Meira, Jr., Data Mining and Analysis: Fundamental Concepts and Algorithms, Cambridge University Press, May 2014. ISBN: 9780521766333. 4. 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]

Forma způsobu ověření studijních výsledků a další požadavky na studenta

Znalosti studentů jsou ověřovány prostřednictví realizace bodovaných úkolů na cvičeních, vypracování analýzy dat a implementace některé z probíraných metod v rámci samostatné práce.

E-learning

Další požadavky na studenta

Další požadavky nejsou kladeny

Prerekvizity

Předmět nemá žádné prerekvizity.

Korekvizity

Předmět nemá žádné korekvizity.

Osnova předmětu

Přednášky: 1. Velká data 2. Metody vzorkování dat 3. Metody redukce dimenze 4. Agregace a shlukování na velkých datech 5. Pokročilé metody klasifikace dat 6. Ensemble klasifikačních metod 7. Hluboké modely, hluboké neuronové sítě 8. Metody učení velkých sítí 9. Doporučovací systémy 10. Vizualizace dat Cvičení: Praktické ověření znalostí z přednášek pomocí práce s reálnými daty.

Podmínky absolvování předmětu

Prezenční forma (platnost od: 2019/2020 zimní semestr, platnost do: 2022/2023 letní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)		Min. počet bodůMax. počet pokusů
Klasifikovaný zápočet Klasifikovaný zápočet 100  51 3
Rozsah povinné účasti: Účast na cvičeních je povinná a je kontrolována. S rozsahem povinné účastí seznámí studenty garant předmětu na začátku semestru.

Zobrazit historii

Podmínky absolvování předmětu a účast na cvičeních v rámci ISP: Splnění všech povinných úkolů v individuálně dohodnutých termínech. Rozsah účasti na cvičeních si student na začátku semestru dohodne s garantem předmětu.

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2022/2023 (N0688A140014) Průmysl 4.0 AZD P čeština Ostrava 2 povinný stu. plán
2021/2022 (N0688A140014) Průmysl 4.0 AZD P čeština Ostrava 2 povinný stu. plán
2020/2021 (N0688A140014) Průmysl 4.0 AZD P čeština Ostrava 2 povinný stu. plán
2019/2020 (N0688A140014) Průmysl 4.0 AZD P čeština Ostrava 2 povinný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku

Hodnocení Výuky



2021/2022 zimní