Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
F7PMIARVD | Z,ZK | 4 | 2P+2C | česky |
Předmět nabízí přehled nástrojů pro dobývání znalostí z dat a demonstruje jejich využití na praktických úlohách s využitím open source nástroje projektu R. Zvláštní pozornost věnuje názorné prezentaci postupně získávaných výsledků, která výrazně usnadní komunikaci s vlastníkem dat (např. lékařem), který pak může lépe spolupracovat při volbě dalších směrů hledání. Shlukování. Zvyšování kvality modelu kombinací více základních modelů - bagging, boosting, AdaBoost. Redukce dimenze dat a selekce příznaků (třeba PCA, ICA, faktorová analýza). Detekce anomálií.
Forma ověření studijních výsledků: Podmínky zápočtu jsou absolvování čtyř testů se ziskem alespoň 50 % bodů. Testy prověří praktické znalosti při analýze a rozpoznávání vícerozměrných dat. Zkouška má písemnou část, která se skládá z převážně teoretických otázek s následním ústním dozkoušení v rozsahu odpřednášené a odcvičené látky.
Požadavky na studenty: Povinná účast na cvičeních (max. 2 absence).
Předmět staví na znalostech, který student získá v předmětu Biostatistika (1. semestr).
1 Základní pojmy pro popis dat, strojové učení a rozpoznávání: pozorování, příznak, příznakový prostor, klasifikace.
2.Dobývání znalostí - popis a metodika procesu CRISP. Průzkumová analýza a vizualizace vícerozměrných dat.
3.Shlukování pro modelování neklasifikovaných dat – základní algoritmy. Hodnocení vzniklého modelu a jeho použití.
4.Základní postupy modelování klasifikovaných dat – metoda nejbližšího souseda, tvorba rozhodovacího stromu a jejich vlastnosti. Příklady aplikací.
5.Míry pro srovnávání výkonností různých klasifikačních modelů (přesnost, specificita, …, ROC křivka). Metody pro odhad výkonnosti modelu: křížová validace, bootstrapping, křivka učení.
6.SVM změna reprezentace dat. Příklad ilustrující využití odvozeného atributu pro náhradu několika jiných.
7.Konstrukce asociačních pravidel pro neklasifikovaná data a jejich využití.
8.Různé metody zvyšování kvality zpracovávaných dat - identifikace odlehlých a nesprávných hodnot. Porozumění datům a jejich příprava: postupy pro diskretizaci, normalizaci a doplnění chybějících hodnot, agregace dat.
9.Zvyšování kvality modelu kombinací více základních modelů - bagging, boosting, AdaBoost.
10.Redukce dimenze dat a selekce příznaků (analýza hlavních komponent - PCA, PCA pro klasifikační úlohy, faktorová analýza, regrese, částečné nejmenší čtverce).
11.Několik strategií testovaní vzniklých modelů (vícenásobné testování a různé korekce).
12.Příklady dalších nástrojů pro modelování dat: tvorba regresních stromů, využití neuronových sítí.
13.Rozpoznávání anomálií v mnoharozměrných datech.
14.Perspektivní témata v DM, např. práce se strukturovanými daty.
1. Základní pojmy pro popis dat, strojové učení a rozpoznávání: pozorování, příznak, příznakový prostor, klasifikace.
2.Dobývání znalostí - popis a metodika procesu CRISP. Průzkumová analýza a vizualizace vícerozměrných dat.
3.Shlukování pro modelování neklasifikovaných dat – základní algoritmy. Hodnocení vzniklého modelu a jeho použití.
4.Základní postupy modelování klasifikovaných dat – metoda nejbližšího souseda, tvorba rozhodovacího stromu a jejich vlastnosti. Příklady aplikací.
5.Míry pro srovnávání výkonností různých klasifikačních modelů (přesnost, specificita, …, ROC křivka). Metody pro odhad výkonnosti modelu: křížová validace, bootstrapping, křivka učení.
6.SVM změna reprezentace dat. Příklad ilustrující využití odvozeného atributu pro náhradu několika jiných.
7.Konstrukce asociačních pravidel pro neklasifikovaná data a jejich využití.
8.Různé metody zvyšování kvality zpracovávaných dat - identifikace odlehlých a nesprávných hodnot. Porozumění datům a jejich příprava: postupy pro diskretizaci, normalizaci a doplnění chybějících hodnot, agregace dat.
9.Zvyšování kvality modelu kombinací více základních modelů - bagging, boosting, AdaBoost.
10.Redukce dimenze dat a selekce příznaků (analýza hlavních komponent - PCA, PCA pro klasifikační úlohy, faktorová analýza, regrese, částečné nejmenší čtverce).
11.Několik strategií testovaní vzniklých modelů (vícenásobné testování a různé korekce).
12.Příklady dalších nástrojů pro modelování dat: tvorba regresních stromů, využití neuronových sítí.
13.Rozpoznávání anomálií v mnoharozměrných datech.
14.Perspektivní témata v DM, např. práce se strukturovanými daty.
Povinná literatura:
[1] BERKA, Petr. Dobývání znalostí z databází. Praha: Academia, c2003. ISBN 80-200-1062-9.
[2] MELOUN, Milan a Jiří MILITKÝ. Kompendium statistického zpracování dat. Praha: Karolinum, 2012. ISBN 978-80-246-2196-8.
Doporučená literatura:
[3] DARÓCZI Gergely.: Mastering Data Analysis with R. Packt Publishing, 2015, ISBN 978-1783982028
[4] R software volně stažitelný na https://www.r-project.org/