Data mining

informatyka
matematyka

monograficzne

Systemy uczące się 1000-2N09SUS

Rekomendujemy by osoba rejestrująca się na kurs posiadała podstawową wiedzę z zakresu metod uczenia maszynowego i przetwarzania danych.

w sali

Przedstawienie głównych zagadnień w dziedzinie eksploracji danych (data mining) i metod ich rozwiązywania; omówienia podstawowych algorytmów i ich efektywnych realizacji na dużych zbiorach danych dla trudnych problemów takich, jak reguły asocjacyjne, redukty, dyskretyzacja atrybutów ciągłych, wzorce czasowe, drzewo decyzyjne; przedstawienie nowoczesnych technik obliczeń takich, jak równoległe przetwarzania, obliczenia ewolucyjne, heurystyki za pomocą standardowych baz danych lub logicznie zbudowanych struktur danych.

1. Wstęp: Przedstawienie problemów "eksploracji danych" (ang. data mining - DM) oraz "odkrywania wiedzy" (ang. Knowledge Discovery from Databases - KDD). Podstawowe pojęcia i zastosowania DM i KDD w praktyce.

2. Efektywne metody szukania reguł asocjacyjnych: algorytmy Apriori, AprioriTid, FP growth, ...

3. Problem klasyfikacji: Metody kNN, Naive Bayes, sieci Bayesowskie. Metody oceniania klasyfikatorów.

4. Miara entropii, Drzewo decyzyjne, Drzewo decyzyjne dla dużych zbiorów danych.

5. Metody grupowania danych, analiza skupień (klastrowanie). Metody grupowania w dużych zbiorach danych.

6. Teoria uczenia się.

7. Wzorce, klasyfikacja zbiorem reguł w dużych zbiorach danych.

8. Metody obróbki i przygotowywania danych.

9. Ukryty model Markowa i jego zastosowania w data mining.

10. Wzorce czasowe i sekwencyjne.

11. OLAP i Data mining.

12. Web mining i text mining.

1. "Data Mining: Concepts and Techniques". J. Han and M. Kamber. Morgan Kaufmann Publishers. 2001

2. "Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations". I. Witten and E. Frank. Morgan Kaufmann Publishers. 2000.

3. "Advances in Knowledge Discovery and Data Mining". Eds.: Fayyad, Piatetsky-Shapiro, Smyth, and Uthurusamy. The MIT Press, 1995.

4. Jure Leskovec, Anand Rajaraman, and Jeffrey David Ullman. 2014. Mining of Massive Datasets (2nd. ed.). Cambridge University Press, USA.

Wiedza i umiejętności:

1. Zna podstawowe klasy problemów związanych z eksploracją i odkrywaniem wiedzy z danych.

2. Zna i potrafi wykorzystać w praktyce metody analizy koszykowej, rozumie działanie i potrafi stosować algorytmy wyszukiwania częstych zbiorów.

3. Zna i potrafi stosować podstawowe algorytmy ML.

4. Potrafi ewaluować skuteczność modeli ML w problemach klasyfikacji, regresji oraz grupowania.

5. Zna podstawowe techniki przetwarzania tekstów na potrzeby konstruowania modeli ML i potrafi je zastosować w praktyce.

6. Potrafi konstruować proste systemy rekomendacyjne i rozumie ich działanie.

7. Zna podstawowe metody konstruowania modeli predykcyjnych dla szeregów czasowych. Potrafi je zastosować dla rzeczywistych zbiorów danych oraz ocenić ich faktyczną skuteczność.

8. Zna najważniejsze aktualne trendy w dziedzinie uczenia maszynowego i odkrywania wiedzy z danych.

Kompetencje społeczne:

1. Potrafi przygotować raport z eksploracyjnej analizy danych przedstawiający najważniejsze informacje przy wykorzystaniu technik wizualizacji danych.

2. Potrafi zaprezentować wyniki przeprowadzonych analiz.

Ocena końcowa jest ustalana podstawie sumy punktów z laboratorium i egzaminu.

Dodatkowo, studenci szkoły doktorskiej mogą zaliczać przedmiot przez przygotowanie specjalnego projektu związanego z startem w międzynarodowym konkursie eksploracji danych.