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 |
||||||||||||||
A | B | C | D | E | FX | |||||||||
23% | 15% | 8% | 8% | 0% | 46% | |||||||||
Zabezpečuje: doc. RNDr. Jozef Bucko, PhD. |
||||||||||||||
Dátum poslednej zmeny: 31.08.2020 | ||||||||||||||
Schválil: osoba/osoby zodpovedné za študijný program | ||||||||||||||