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

• Studenti získají dostatečně široký a přitom i dostatečně do hloubky jdoucí přehled v oblasti získávání znalostí z databází.
• 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.

Seznámit studenty s problematikou získávání znalostí z různých typů datových zdrojů, vysvětlit typy užitečných znalostí a jednotlivé kroky procesu získávání znalostí z dat a seznámit je s technikami, algoritmy a nástroji používanými při tomto procesu.

Vzhledem k neustále rostoucím objemům dat ukládaným v současnosti v databázích je potřeba hledat v datech pomocí pokročilých metod nové znalosti, které nelze získat běžným dotazováním. Proto je potřeba se seznámit s celým procesem získávání znalostí, který zahrnuje předzpracování dat i samotné získávání znalostí, kde jsou využívány metody z různých oborů, jako např. strojové učení nebo statistika.

• Znalost základů pravděpodobnosti a statistiky.
• Znalost databázových technologií na úrovni bakalářského předmětu.

volně dostupné

• RapidMiner

• 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. 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. Úvod - motivace, základní pojmy, typy zdrojů dat a získávaných znalostí, metodologie. 
2. Předzpracování dat v procesu získávání znalostí - charakteristiky dat.
3. Předzpracování dat v procesu získávání znalostí - metody předzpracování.
4. Datové sklady a technologie OLAP pro získávání znalostí z databází.
5. Dolování frekventovaných vzorů a asociací - základní pojmy, efektivní a škálovatelné metody hledání frekventovaných množin.
6. Víceúrovňová asociační pravidla, asociační a korelační analýza, omezená asociační pravidla.
7. Klasifikace a predikce - základní pojmy, rozhodovací strom, bayesovská klasifikace, klasifikace založená na pravidlech.
8. Klasifikace s využitím neuronových sítí, SVM klasifikátor, další metody klasifikace, predikce.
9. Shluková analýza - základní pojmy, typy dat při shlukování, metody založené na rozčleňování, hierarchické metody.
10. Další metody shlukování. Dolování v biologických datech.
11. Úvod do dolování v proudech dat, časových řadách a posloupnostech.
12. Úvod do dolování v grafech, časoprostorových datech, datech pohybujících se objektů a multimediálních datech.
13. Dolování textu a na webu.

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

Půlsemestrální písemná zkouška, formulace dolovací úlohy, obhajoba projektu.
Podmínky zápočtu:
Udělení zápočtu je podmíněno vypracováním projektu, jeho obhajobou v předepsaných termínech a ziskem minimálně 24 bodů za bodované aktivity v průběhu semestru.

Půlsemestrální písemná zkouška, formulace dolovací úlohy, prezentace projektu. Pro získání bodů ze zkoušky je nutné zkoušku vypracovat tak, aby byla hodnocena nejméně 20 body. V opačném případě bude zkouška hodnocena 0 body.

Udělení zápočtu je podmíněno vypracováním projektu, jeho obhajobou v předepsaných termínech a ziskem minimálně 24 bodů za bodované aktivity v průběhu semestru.