OPF:INMNPDOD Data Mining - Course Information

INMNPDOD Data Mining

Extent and Intensity

2/1/0. 5 credit(s). Type of Completion: zk (examination).

Teacher(s)

doc. Ing. Jan Górecki, Ph.D. (lecturer)

Guaranteed by

doc. Ing. Jan Górecki, Ph.D.
Department of Informatics and Mathematics – School of Business Administration in Karvina
Contact Person: doc. Ing. Jan Górecki, Ph.D.

Timetable

Tue 13:05–14:40 A412

• Timetable of Seminar Groups:

INMNPDOD/01: Tue 14:45–15:30 A412, J. Górecki

Prerequisites (in Czech)

FAKULTA(OPF) && TYP_STUDIA(N) && FORMA(P)

Course Enrolment Limitations

The course is only offered to the students of the study fields the course is directly associated with.

The capacity limit for the course is 24 student(s).
Current registration and enrolment status: enrolled: 23/24, only registered: 3/24

fields of study / plans the course is directly associated with

• Managerial Informatics (programme OPF, N_MI)

Learning outcomes (in Czech)

Student umí definovat a vysvětlit podstatu dolování dat a jeho význam pro podporu manažerského rozhodování, popsat proces dolování dat, jeho fáze a typické úlohy a zvolit vhodné metodiky jejich řešení. Dokáže aplikovat vybrané statistické metody v kontextu dolování dat, zejména regresní, diskriminační a shlukovou analýzu, a interpretovat jejich výsledky pro podnikové využití. Student rozumí základním principům strojového učení, rozlišuje jeho typy a formy a chápe význam trénovacích dat, atributů a chybových funkcí. Umí aplikovat a porovnat základní metody dolování dat, jako jsou rozhodovací stromy, neuronové sítě, genetické algoritmy a bayesovské metody, a posoudit jejich vhodnost pro konkrétní datové a manažerské úlohy. Student je schopen připravit a předzpracovat data pro dolování dat, pracovat se strukturovanými daty, vytvářet odvozené atributy a řešit chybějící hodnoty. Dokáže hodnotit kvalitu a výkonnost modelů, vizualizovat a porovnávat jejich výsledky a formulovat závěry využitelné pro rozhodování, optimalizaci procesů a identifikaci trendů v prostředí informačních systémů.

Syllabus (in Czech)

1. Proces dolování dat
Dolování dat, úlohy dolování dat, metodiky pro dolování dat.
2. Statistika v kontextu dolování dat
Kontingenční tabulky, regresní analýza, diskriminační analýza, shluková analýza.
3. Strojové učení
Základní pojmy, principy strojového učení, typy strojového učení, formy strojového učení, trénovací data, atributy, chybová funkce.
4. Metody dolování dat
Rozhodovací stromy, Rozhodovací pravidla, Neuronové sítě, Genetické algoritmy, bayesovské metody, metody založené na analogii.
5. Evaluace modelů
Kritéria, deskriptivní úlohy, klasifikační úlohy, vizualizace modelů, vizualizace klasifikací, porovnávání modelů, volba nejvhodnějšího algoritmu, kombinování modelů.
6. Předzpracování dat
Příprava dat, strukturovaná data, více vzájemně propojených tabulek, odvozené atributy, příliš mnoho objektů, příliš mnoho atributů, numerické atributy, kategoriální atributy, chybějící hodnoty.

Literature

required literature
• BERKA, P. Dobývání znalostí z databází. Academia, Praha, 2003. ISBN 80-200-1062-9. info
• BERKA, P. a J. GÓRECKI. Dolování dat. Skripta SU OPF, Karviná, 2017. info

recommended literature
• FRIEDMAN, J., T. HASTIE a R. TIBSHIRANI., 2013. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd Edition. Springer. ISBN 978-0387848570.
• MURPHY, K. P. Machine learning: A probabilistic perspective. London, England: The MIT Press, 2012. ISBN 978-0-262-01802-9. info

Language of instruction

Czech

Teacher's information

Požadavky na studenta: docházka na semináře, seminární práce.
Hodnotící metody: docházka na semináře min. 60 % (10 % hodnocení), zpracování seminární práce (30 % hodnocení), zkouška (60 % hodnocení).

Further comments (probably available only in Czech)

The course can also be completed outside the examination period.

• Enrolment Statistics (recent)
  
• Permalink: https://is.slu.cz/course/opf/winter2026/INMNPDOD