INFORMAČNÝ LIST PREDMETU

Vysoká škola: Technická univerzita v Košiciach

Fakulta: Ekonomická fakulta

Pracovisko: Katedra aplikovanej matematiky a hospodárskej informatiky

Kód predmetu: 35000256

Názov predmetu: Informačné systémy pre podporu rozhodovania

Druh, rozsah a metóda vzdelávacích činností:
Forma výučby:
Odporúčaný rozsah výučby (v hodinách):
Denná forma štúdia (hodiny za týždeň): -
Externá forma štúdia (hodiny za semester): LS
Metóda štúdia:

Počet kreditov: 3

Odporúčaný semester štúdia: LS

Odporúčaný semester

Študijný program

Stupeň štúdia

Metóda štúdia

2.rok LS

Financie, bankovníctvo a investovanie (FBI_Bc_D_en)
Financie, bankovníctvo a investovanie (FBI_Bc_D_sk)

1.
1.

Prezenčná
Prezenčná

Stupeň štúdia:

Podmieňujúce predmety:

Podmienky na absolvovanie predmetu:
Spôsob hodnotenia a skončenia štúdia predmetu: Klasifikovaný zápočet
Priebežné hodnotenie (PH):
Hodnotenie praktických čiastkových úloh
Záverečné hodnotenie (ZH): Študent prospeje v ZH a úspešne vykoná skúšku, keď splní podmienku získať min. 51% z 100%.
záverečná práca a jej prezentácia
Celkové hodnotenie: CH je suma hodnotení získaných študentom za hodnotené obdobie. Celkový výsledok sa stanoví v súlade s vnútornými predpismi TUKE. (študijný poriadok, vnútorný predpis zásady doktorandského štúdia)

Výsledky vzdelávania:
Cieľom predmetu je poskytnúť základné poznatky o metódach získavania znalosti z veľkých dát, spôsobu ich predprípravy a spracovania prostredníctvom softvérových nástrojov, ktorých základom tvoria algoritmy strojového učenia sa. Vhodnými softvérovými nástrojmi zvládnuť základne techniky dataminingu s účelom získavania informácií, ktoré umožňujú predikovať vývoj sledovaných javov. Po absolvovaní predmetu má študent:
- ovládať základné pojmy z oblasti získavania znalosti z databáz a dataminingu,
- vykonávať základné operácie s údajmi v databázach vo vybranom softvéri,
- ovládať metódy získavania informácií z údajov zoradených v databázach s účelom podpory rozhodnutia sa,
- spracovávať veľké množstvo údajov za pomoci vybraných IKT nástrojov.

Stručná osnova predmetu:
1: P: Úvod do predmetu, základné pojmy a organizácia výučby
C: Úvod do predmetu – semestrálne projekty, pokyny pre ich vypracovanie
2: P: Predpríprava údajov datasetu I.
C: P Základné funkcie pre úpravu zdrojových údajov v MS Excel.
2: P: Predpríprava údajov datasetu II.
C: Nástroje MS Excel pre prípravu Datasetu - Overovanie údajov, filtre automatický a rozšírený, medzisúčty
3: P: Metriky datasetov a ich výpočty.
C: Základné metriky datasetov a ich výpočet prostredníctvom MS Excel.
4: P: WEKA - úvod do používania softvéru. Úvod do klasifikácie.
C: WEKA -použitie na demo datasete, základna klasifikácia a zobrazenie klasifikačného stromu. J48 klasifikacia a cross-validation test.
5: P: Zhluková hierarchická a nehierarchická analýza.
C: Algoritmy zhlukovej analýzy v aplikácii WEKA, metóda K-means, Cobwel a EM
6: P: Metóda k najbližších susedov - normalizácia dát a standardizácia (z-score).
C: Algoritmus k najbližších susedov v prostredí softvéru WEKA.
7: P: Lineárna regresia - úvod, popis.
C: Lineárna regresia - príklady a použitie v aplikácii WEKA.
8: P: Logistická regresia - úvod, popis.
C: Logistická regresia - príklady a použitie v aplikácii WEKA.
9: P: Analýza nákupného vozíka použitím asociačných pravidiel - úvod, popis.
C: Analýza nákupného vozíka použitím asociačných pravidiel - príklady a použitie v aplikácii WEKA.
10: P: Naivný bayesov algoritmus - úvod, popis.
C: Naivný bayesov algoritmus - príklady a použitie v aplikácii WEKA.
11: P: Marketingové nástroje na zber dát - úvod, popis.
C: Základné funkcie Google analytics
12: P: Obhajoby semestrálnych projektov
C: Obhajoby semestrálnych projektov
13: P: Vyhodnotenie obhajoby semestrálnych projektov – udeľovanie zápočtov
C: Vyhodnotenie obhajoby semestrálnych projektov – udeľovanie zápočtov

Odporúčaná literatúra:
1. WITTEN, I. H., FRANK E.: Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann, San Francisco, (1999).
2.PARALIČ, J.: Objavovanie znalosti v databázach. Elfa, Košice. ISBN 80-89066-60-7, (2003).
3.LANTZ, B.: Machine Learning with R, Second Edition, Copyright © 2015 Packt Publishing
4.WITTEN, I. H., FRANK E.: Datamining, Practical Machine Learning Tools and Techniques, Morgan Kaufmann Publisher, Elsevier.
5. C. Cram, L. Friedrichsen, Portfolio Projects for Business Analysis, Published by Cengage Learning, 2013, ISBN-13: 9781133274773

Odporúčané voliteľné súčasti programu:

Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu:

Poznámky:

Hodnotenie predmetov:
Celkový počet hodnotených študentov: 13

23%

15%

46%

Zabezpečuje:
doc. RNDr. Jozef Bucko, PhD.

Dátum poslednej zmeny: 31.08.2020

Schválil: osoba/osoby zodpovedné za študijný program