460-6016/04 – Analýza dat (AD)
Garantující katedra | Katedra informatiky | Kredity | 10 |
Garant předmětu | prof. RNDr. Václav Snášel, CSc. | Garant verze předmětu | prof. Ing. Jan Platoš, Ph.D. |
Úroveň studia | postgraduální | Povinnost | povinně volitelný typu B |
Ročník | | Semestr | zimní + letní |
| | Jazyk výuky | angličtina |
Rok zavedení | 2019/2020 | Rok zrušení | |
Určeno pro fakulty | FEI, USP | Určeno pro typy studia | doktorské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cíle předmětu: analýza dat
Vyučovací metody
Individuální konzultace
Anotace
Obsah předmětu je následující: metody redukce dat, strojové učení, předzpracování dat, Exploratory Data Analysis, statistický přístup k dolování dat, shluková analýza (hierarchické a k-means shlukování), Bayesovská pravidla, k-Nearest Neighbor algoritmus, rozhodovací stormy, faktorová analýza, samoorganizující se mapy SOM, asociační a fuzzy pravidla, rough sets, metody analýzy mnohadimenzionálních dat, analýza časových řad, PCA, ICA, NMF, SVD, tenzorová data, redukce tenzorů, hodnocení kvality modelů, vizualizace, konceptuální svazy, metoda GUHA, dobývání znalostí z databází.
Povinná literatura:
Petr Berka. Dobývání znalostí z databází. Academia, Praha, 2003.
Hana Řezanková, Dušan Húsek, Václav Snášel. Shluková analýza dat. 2. rozš. vyd. Praha : Professional Publishing, 2009.
Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009.
Claudio Carpineto, Giovanni Romano. Concept Data Analysis: Theory and Applications,Wiley, 2004.
Doporučená literatura:
Bing Liu. Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, Springer, 2009.
David Skillicorn. Understanding Complex Datasets: Data Mining with Matrix Decompositions, Chapman & Hall, 2007.
Pang-Ning Tan, Michael Steinbach, Vipin Kumar. Introduction to Data Mining, Addison Wesley, 2005.
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Průběžná kontrola studijních aktivit a přiřazených úkolů v rámci pravidelných
konzultací. V případě, že součástí úkolů studenta bude rovněž publikační činnost,
bude příslušný článek v rámci kurzu odprezentován.
Ústní zkouška.
E-learning
Další požadavky na studenta
Další požadavky na studenta nejsou.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Obsah předmětu je následující: metody redukce dat, strojové učení, předzpracování dat, Exploratory Data Analysis, statistický přístup k dolování dat, shluková analýza (hierarchické a k-means shlukování), Bayesovská pravidla, k-Nearest Neighbor algoritmus, rozhodovací stormy, faktorová analýza, samoorganizující se mapy SOM, asociační a fuzzy pravidla, rough sets, metody analýzy mnohadimenzionálních dat, analýza časových řad, PCA, ICA, NMF, SVD, tenzorová data, redukce tenzorů, hodnocení kvality modelů, vizualizace, konceptuální svazy, metoda GUHA, dobývání znalostí z databází.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky