|
Vyučující
|
-
Gangur Mikuláš, doc. RNDr. Ph.D.
|
|
Obsah předmětu
|
Předmět je určen pro doktorské studium. Využití informace a znalosti v rozhodovacích procesech, Proces dobývání znalostí z databází, metodika CRISP-DM. Zdroje dobývání znalostí: databáze, statistické metody, strojové učení. Metody strojového učení: rozhodovací stromy, rozhodovací pravidla, asociační pravidla, neuronové sítě, genetické algoritmy, bayesovské metody učení. Využití statistických nástrojů a nástrojů strojového učení v SW Statistica a SW Mathematica. Způsoby hodnocení sestrojených modelů. Metody přípravy dat. Přehled systémů pro dobývání znalostí z databází. Principy systémů pro podporu rozhodování (Decision Support System - DSS), Nástroje pro tvorbu systémů pro podporu rozhodování. Prediktivní trhy, principy a využití v DSS
|
|
Studijní aktivity a metody výuky
|
- Kontaktní výuka
- 24 hodin za semestr
- E-learning [dáno e-learningovým kurzem]
- 80 hodin za semestr
- Projekt individuální [40]
- 60 hodin za semestr
- Příprava prezentace (referátu v cizím jazyce) [10-15]
- 20 hodin za semestr
- Projekt týmový [20-60 / počet studentů]
- 25 hodin za semestr
- Příprava na souhrnný test [6-30]
- 40 hodin za semestr
- Účast na exkurzi [reálný počet hodin - max. 8h/den]
- 11 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Sestavit základní SQL příkazy pro získání požadovaných dat. |
| Aplikovat znalosti získané v kurzech KEM/STA, KEM/SZD a KEM/ADM. |
| Použít prakticky teorii statistického testování hypotéz. |
| Provést explorativní analýzu dat a ověřit jejich kvalitu. |
| Analyzovat závislost dvou proměnných, aplikovat teorii regresních funkcí jedné vysvétlující proměnné. |
| Pracovat s kovariančními a korelačními maticemi. |
| Pracovat s maticemi, znat jejich vlastnosti a aplikovat maticové operace, nalézt vlastní čísla a vlastní vektory. |
| Odborné dovednosti |
|---|
| Pracovat s vybraným databázovým systémem pro získání požadovaných dat. |
| Pracovat s rozšířeným seznamem statistických funkcí v MS Excel. |
| Pracovat se základními funkcemi SW Statistica (načtení dat, modifikace dat, základní statistiky, grafy). |
| Pracovat se základními funkcemi SW Mathematica (základy práce s notebookem, vkládání funkcí, práce s napovědou, grafické funkce). |
| Obecné způsobilosti |
|---|
| bc. studium: své učení a pracovní činnost si sám plánuje a organizuje, |
| vytvořit kvalifikační práci v požadované struktuře používat statistické metody na úrovni magisterského studia provést rešerši anglického a českého článku |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| Znát vybrané metody zpracování dat a získávat znalosti. |
| Pochopit principy vybraných metod, znalost předpokladů jejich použití. |
| Rozumět výstupům a znalosti postupů následné interpretace. |
| Porozumět prinicipům data miningu a porozumět kritériím pro volbu vhodných metod. |
| Odborné dovednosti |
|---|
| Vybrat správné metody s ohledem na analýzu problému. |
| Analyzovat a ověřit kvality dat. |
| Prakticky použít zvolené metody ve vybraném SW (Statistica, Mathematica, MS Excel). |
| Testovat modely a jejich srovnání. Interpretace výsledků na základě výstupů. Aplikace výsledků při vlastním rozhodvání. |
| Obecné způsobilosti |
|---|
| mgr. studium: plánují, podporují a řídí s využitím teoretických poznatků oboru získávání dalších odborných znalostí, dovedností a způsobilostí ostatních členů týmu, |
| používat pokročilé statistické a data miningové metody aplikovat vhodný software podpory rozhodování na praktické problémy |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška s diskusí, |
| Seminární výuka (diskusní metody), |
| E-learning, |
| Samostudium, |
| Individuální konzultace, |
| Skupinová konzultace, |
| Samostatná práce studentů, |
| Odborné dovednosti |
|---|
| Seminární výuka (diskusní metody), |
| Přednáška s demonstrací, |
| Individuální konzultace, |
| Skupinová konzultace, |
| Obecné způsobilosti |
|---|
| Individuální konzultace, |
| Seminární výuka (diskusní metody), |
| Diskuse, |
| Přednáška s demonstrací, |
| Prezentace práce studentů, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Ústní zkouška, |
| Výstupní projekt, |
| Demonstrace dovedností během semináře |
| Odborné dovednosti |
|---|
| Demonstrace dovedností (praktická činnost), |
| Výstupní projekt, |
| Seminární práce, |
| Obecné způsobilosti |
|---|
| Demonstrace dovedností (praktická činnost), |
| Výstupní projekt, |
| Seminární práce, |
|
Doporučená literatura
|
-
Anderson, David Ray. An introduction to management science : quantitative approaches to decision making. Mason : Thomson/South-Western, 2008. ISBN 978-0-324-39980-6.
-
Harrington, Joseph Emmett. Games, strategies, and decision making. New York : Worth Publishers, 2009. ISBN 978-0716766308.
-
Mitchell, Tom Michael. Machine learning. Boston : McGraw-Hill, 1997. ISBN 0-07-042807-7.
-
Nutt, Paul C. Handbook of decision making. 1st pub. Chichester : John Wiley & Sons, 2010. ISBN 978-1-4051-6135-0.
-
Rokach, Lior; Maimon, Oded. Data mining with decision trees : theory and applications. Hackensack : World Scientific, 2008. ISBN 978-981-277-171-1.
-
Turban, Efraim; Aronson, Jay E.; Liang, Ting-Peng. Decision support systems and intelligent systems. 7th ed. Upper Saddle River : Pearson/Prentice Hall, 2005. ISBN 0-13-046106-7.
-
Vaughan Williams, Leighton. Prediction markets : theory and applications. New York : Routledge, 2011. ISBN 978-0-415-57286-6.
|