Popis předmětu - A7B36VYD
Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
Výsledek studentské ankety předmětu je zde: A7B36VYD
Více podrobností viz: http://cw.felk.cvut.cz/doku.php/courses/a7b36vyd/prednasky/start
Více podrobností viz: http://cw.felk.cvut.cz/doku.php/courses/a7b36vyd/cviceni/start
| A7B36VYD | Vytěžování dat | ||
|---|---|---|---|
| Role: | Rozsah výuky: | 2P+2C | |
| Katedra: | 13136 | Jazyk výuky: | CS |
| Garanti: | Zakončení: | Z,ZK | |
| Přednášející: | Kreditů: | 5 | |
| Cvičící: | Semestr: | Z | |
Webová stránka:
http://cw.felk.cvut.cz/doku.php/courses/a7b36vyd/startAnotace:
Cílem předmětu je seznámit studenty se základy vytěžování dat (data miningu). Studenti se postupně seznámí se základními úlohami vytěžování dat, odhady parametrů pomocí pravděpodobnosti. Dále se základními metodami shlukové analýzy a metodami vyhodnocení úspěšnosti shlukování, vyhledávání častých množin a sekvencí. Poté se studenti seznámí se základy klasifikace (Bayesovský klasifikátor), následovat budou složitější klasifikační metody - rozhodovací stromy, lineární klasifikace, perceptron a dopředné neuronové sítě. Posledními tématy bude testování vytvořených modelů a kombinování modelů.Výsledek studentské ankety předmětu je zde: A7B36VYD
Cíle studia:
Cílem studia je seznámit studenty se základními principy a technikami vytěžování dat. V rámci předmětu si také prakticky vyzkouší všechny probírané techniky.Osnovy přednášek:
Osnova a obsah přednášek:| 1) | Úvod. Vytěžování s učitelem a bez učitele, příznaková reprezentace | |
| 2) | Odhady parametrů pravděpodobnostního rozdělení, maximální věrohodnost, Gaussovská směs | |
| 3) | Grafické pravděpodobnostní modely, odhady parametrů | |
| 4) | Shluková analýza a analýza hlavních komponent | |
| 5) | Samoorganizující se mapy | |
| 6) | Časté množiny, sekvence a grafy | |
| 7) | Klasifikační úloha, riziko, Bayesovský klasifikátor, klasifikace dle podobnosti | |
| 8) | Rozhodovací stromy a pravidla | |
| 9) | Lineární klasifikátor, rozšíření báze, LDA, logistická regrese | |
| 10) | Perceptron a neuronové sítě s dopřednou strukturou | |
| 11) | Testování modelů: křížová validace, ROC analýza | |
| 12) | Kombinování modelů a výběr příznaků | |
| 13) | Ukázky aplikací / Industrial show |
Osnovy cvičení:
| 1) | Ukázka práce v Matlabu | |
| 2) | Práce v prostředí RapidMiner | |
| 3) | Částečná implementace EM | |
| 4) | Ruční návrh struktury BN v dodaném nástroji | |
| 5) | Clustering | |
| 6) | SOM: clustering textu (termín výjimečně až za 2 týdny) | |
| 7) | Konzultace text mining | |
| 8) | Transakční data | |
| 9) | Klasifikace | |
| 10) | Rozhodovací stromy | |
| 11) | Lineární klasifikátor | |
| 12) | Testovaní a ROC | |
| 13) | Odevzdani poslední úlohy, ukazka NN, zápočty |
Literatura:
Studijní materiály jsou dostupné na webu předmětu na stránkách: http://cw.felk.cvut.cz/doku.php/courses/a7b36vyd/startPožadavky:
Viz web predmetu: http://cw.felk.cvut.cz/doku.php/courses/a7b36vyd/startPředmět je zahrnut do těchto studijních plánů:
| Plán | Obor | Role | Dop. semestr |
| Stránka vytvořena 5.10.2024 17:50:26, semestry: Z/2024-5, Z/2025-6, L/2024-5, L/2023-4, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: I. Halaška (K336), J. Novák (K336) |