Získávání znalostí z databází

• 39 hod. přednášky
• 13 hod. projekty

• 51 bodů závěrečná zkouška (písemná část)
• 15 bodů půlsemestrální test (písemná část)
• 34 bodů projekty

Seznámit studenty s metodami a algoritmy modelování dat pro získávání znalostí z nich.

• Studenti získají dostatečně široký a přitom i dostatečně do hloubky jdoucí přehled v oblasti získávání znalostí z dat.
• Jsou schopni nástroje pro získávání znalostí používat i vytvářet.
• Student se naučí odborné terminologii v českém i anglickém jazyce.
• Student získá zkušenost s řešením projektů v malém týmu.
• Student se zdokonalí v prezentaci a obhajobě výsledků projektu.

• Znalost základních kroků procesu získávání znalostí z dat a metod přípravy dat pro krok modelování dat (probráno v předmětu UPA - Ukládání a příprava dat).
• Znalost základů pravděpodobnosti a statistiky.
• Znalost databázových technologií na úrovni bakalářského předmětu.

• Skiena, S.S.: The Data Science Design Manual. Springer, 2017, 445 p. ISBN 978-3-319-55443-3.
• Han, J., Kamber, M.: Data Mining: Concepts and Techniques. Third Edition. Morgan Kaufmann Publishers, 2012, 703 p., ISBN 978-0-12-381479-1.
• Bishop, C.M: Pattern Recognition and Machine Learning. Springer, 2006, 738 p. ISBN 0387310738.
• Han, J., Kamber, M.: Data Mining: Concepts and Techniques. Second Edition. Elsevier Inc., 2006, 770 p., ISBN 1-55860-901-3.
• Zendulka, J. a kol.: Získávání znalostí z databází. FIT VUT v Brně, 160 s., 2009. (elektronicky)

• Han, J., Kamber, M.: Data Mining: Concepts and Techniques. Third Edition. Morgan Kaufmann Publishers, 2012, 703 p., ISBN 978-0-12-381479-1.
• Han, J., Kamber, M.: Data Mining: Concepts and Techniques. Second Edition. Elsevier Inc., 2006, 770 p., ISBN 1-55860-901-3.  

1. Datové sklady a technologie OLAP pro získávání znalostí z dat.
2. Dolování frekventovaných vzorů a asociací - základní pojmy. Dolování frekventovaných vzorů a asociací - efektivní a škálovatelné metody hledání frekventovaných množin.
3. Víceúrovňová asociační pravidla, asociační a korelační analýza, omezená asociační pravidla.
4. Prediktivní modelování - základní pojmy, metody klasifikace - rozhodovací strom, bayesovská klasifikace, klasifikace založená na pravidlech.
5. Klasifikace s využitím neuronových sítí. SVM klasifikátor, náhodné lesy.
6. Další metody klasifikace a regrese. Hodnocení kvality výsledků klasifikace a regrese.
   Shluková analýza - základní pojmy, typy dat při shlukování.
7. Metody shlukování založené na rozčleňování. Hierarchické metody shlukování. Další metody shlukování. Vyhodnocení kvality shluků.
8. Analýza odlehlých hodnot. Dolování v biologických datech.
9. Úvod do získávání znalostí z proudů dat a z časových řad.
10. Úvod do získávání znalostí v sekvencích, z grafů, dat pohybujících se objektů a multimediálních dat.
11. Dolování textu.
12. Dolování na webu.
13. Další vybraná témata (dolování v datech procesů, doporučovací systémy, dolování v rozlehlých datech).

• Vypracování projektu v prostředí dostupného nástroje pro získávání znalostí z dat.

• Půlsemestrální písemná zkouška - 15 bodů
• Formulace dolovací úlohy - 5 bodů
• Obhajoba projektu - 29 bodů
• Závěrečná zkouška - 51 bodů
• Podmínky zápočtu: prezentace a obhajoba výstupů projektu v předepsaných termínech, min. 24 bodů získaných v průběhu semestru.
• Minimum za závěrečnou zkoušku je 20 bodů.

• Půlsemestrální písemná zkouška, neexistuje náhradní/opravný termín, omluvené neúčasti řeší garant.
• Formulace dolovací úlohy v předepsaném termínu, omluvené neúčasti řeší cvičící.
• Prezentace výsledků projektu v předepsaném termínu, omluvené neúčasti řeší cvičící.
• Závěrečná zkouška, pro získání bodů ze zkoušky je nutné zkoušku vypracovat tak, aby byla hodnocena nejméně 20 body. V opačném případě bude zkouška hodnocena 0 body. Omluvenou neúčast řeší garant.