| INFORMAČNÝ LIST PREDMETU | ||||||||||||||
| Vysoká škola: Technická univerzita v Košiciach | ||||||||||||||
| Fakulta: Ekonomická fakulta | ||||||||||||||
| Pracovisko: Katedra aplikovanej matematiky a hospodárskej informatiky doc. RNDr. Jozef Bucko, PhD., Ing. Tomáš Pitka | ||||||||||||||
| Kód predmetu: 35000496 | Názov predmetu: Úvod do Dataminingu | |||||||||||||
| Druh, rozsah a metóda vzdelávacích činností: Forma výučby: Prednáška, Cvičenie laboratórne Odporúčaný rozsah výučby (v hodinách): Denná forma štúdia (hodiny za týždeň): 0,2 Externá forma štúdia (hodiny za semester): LS 26 Metóda štúdia: Prezenčná | ||||||||||||||
| Počet kreditov: 3 | ||||||||||||||
| Odporúčaný semester štúdia: LS | ||||||||||||||
| Odporúčaný semester | Študijný program | Stupeň štúdia | Metóda štúdia | |||||||||||
| 2.rok LS | Ekonomika a manažment verejnej správy (EaMVS_Bc_D_sk) Financie, bankovníctvo a investovanie (FBI_Bc_D_sk) |
1. 1. |
Prezenčná Prezenčná |
|||||||||||
| Stupeň štúdia: 1. | ||||||||||||||
| Podmieňujúce predmety: | ||||||||||||||
| Podmienky na absolvovanie predmetu: Spôsob hodnotenia a skončenia štúdia predmetu: Klasifikovaný zápočet Priebežné hodnotenie (PH): Záverečné hodnotenie (ZH): Študent prospeje v ZH a úspešne vykoná skúšku, keď splní podmienku získať min. 51% z 100%. Záverečné hodnotenie predmetu ja vypracovanie komplexného semestrálneho projektu a jeho následná obhajoba prezentáciou pred spolužiakmi. Max. 100%, min. 51% 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. Kostrou predmetu je postup podľa metodiky CRISP-DM, v rámci ktorej študenti riešením praktických úloh analyzujú a pochopia problém a vstupné údaje, vyberú správnu metódu, vypočítajú a vyhodnotia výsledky a sformulujú ich využitie pri riešení daného problému. Po absolvovaní predmetu by mal študent mať: - vedomosti – základné pojmy z oblasti získavania znalosti z databáz a dataminingu, teoretický ovládať vybrané metódy strojového učenia a metodiku CRISP-DM, poznať teóriu spracovávania veľkých dát a metódy predspracovania údajov - zručnosti - schopnosť prakticky vykonávať základné operácie s údajmi v databázach vo vybranom softvéri, ovládať metódy získavania informácií z údajov zoradených v databázach s účelom podpory rozhodnutia ďalšieho vývoja sledovaného javu, spracovávať veľké množstvo údajov za pomoci vybraných IKT nástrojov - kompetentnosti – predmet významne rozvíja logické a kritické myslenie, poskytuje schopnosť orientovať sa v prostredí veľkých dát, kriticky sa rozhodnúť pre výber vhodnej metódy pre analýzu dát a jej použitie, schopnosti reprezentovať výsledky zvolených techník dataminingu. V predmete sú využívané klasické ako aj alternatívne výučbové metódy. Základnou metódou aplikovanou v predmete je riešenie situačných praktických problémových zadaní pre každú metódu dataminingu na demo databázach získaných z voľných zdrojov na internete. Počas semestra vypracujú študenti samostatne komplexný semestrálny projekt k určenej metóde dataminingu a daný projekt po odovzdaní prostredníctvom prezentácie prezentujú a spolužiakom. Ako expozičné a fixačné metódy využívame: interaktívnu prednášku kombinovanú s precvičovaním učiva a tiež diskusiu na cvičeniach. Povaha predmetu vyžaduje metódy samostatnej práce študenta – práca s informačnými zdrojmi, samoštúdium relevantnej literatúry. | ||||||||||||||
| Stručná osnova predmetu: 1. Úvod do predmetu ISppR, organizácia štúdia, rozdelenie tém a oboznámenie sa s harmonogramom štúdia 2. Predspracovanie dat v Exceli (seminár) 3. Predspracovanie dat v Exceli (seminár) 4. Lineárna a Logistická regresia (seminár) 5. Lineárna a Logistická (prakt. seminár) 6. Klastrová analýza I (seminár) 7. Klastrová analýza (prakt. seminár) 8. Klastrová analýza II (seminár) 9. Klastrová analýza II (prakt. seminár) 10. Asociačné pravidlá (seminár) 11. Asociačné pravidlá (prakt. seminár) 12. Prezentácia semestrálnych prác (seminár) 13. Zápočty, diskusia, konzultácie (seminár) | ||||||||||||||
| Odporúčaná literatúra: Povinná 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. N. Matloff: The Art of R Programming, No Starch Press,US, 2011, ISBN: 978-1-59327-384-2. Odporučaná literatúra: 1. LANTZ, B.: Machine Learning with R, Second Edition, Copyright © 2015 Packt Publishing https://www.amazon.com/Machine-Learning-R-Brett-Lantz/dp/1782162143 2. WITTEN, I. H., FRANK E.: Datamining, Practical Machine Learning Tools and Techniques, Morgan Kaufmann Publisher, Elsevier. 3. Tan, P., Steinbach, M., Karpatne, A., Kumar, V.: Introduction to Data Mining (Second Edition), https://www-users.cse.umn.edu/~kumar001/dmbook/index.php 4. Smola, A., Vishwanathan, S.V.N.: Introduction to Machine Learning, Cambridge University Press., ISBN 0 521 82583 0, https://alex.smola.org/drafts/thebook.pdf. | ||||||||||||||
| Odporúčané voliteľné súčasti programu: | ||||||||||||||
| Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu: | ||||||||||||||
| Poznámky: Časová záťaž: 75 h Nepriama výučba: 49 h | ||||||||||||||
| Hodnotenie predmetov: Celkový počet hodnotených študentov: 0 | ||||||||||||||
| A | B | C | D | E | FX | |||||||||
| 0% | 0% | 0% | 0% | 0% | 0% | |||||||||
| Zabezpečuje: doc. RNDr. Jozef Bucko, PhD. Ing. Tomáš Pitka | ||||||||||||||
| Dátum poslednej zmeny: 27.01.2026 | ||||||||||||||
| Schválil: osoba/osoby zodpovedné za študijný program | ||||||||||||||