Data Mining Laboratory

Adatbányászat laboratórium

A tantárgyleírás hatályossága

Hatályosság kezdete:

—

Hatályosság vége:

—

Subject name (Hungarian, English)

Adatbányászat laboratórium

Data Mining Laboratory

Subject code

BMEVIMA5309

Subject type

—

Training Level

—

Course types and hours (weekly/semester)

Course type	lecture	tutorial	laboratory
hours (weekly)	2	0	0
type (linked/independent)	—	—	—

Assessment type

félévközi érdemjegy

Credits

Subject coordinator

Dr. Telcs András

contact: telcs@szit.bme.hu

Responsible department

—

Faculty

Subject website

—

Primary curriculum type

—

Direct prerequisites – Strong prerequisite

none

Direct prerequisites – Weak prerequisite

none

Direct prerequisites – Parallel prerequisite

none

Direct prerequisites – Milestone prerequisite

none

Direct prerequisites – Exclusion

none

Objectives

Programme

1. WEKA adatbányászati szoftver bemutatása

2. Gyakori elemhalmaz keresés, asszociációs szabály keresés, eredmények interpretációja, asszociációs szabálykeresés buktatói

3. Klaszterezés, osztályozás, különböző algoritmusok összehasonlítása, kisházi feladatok kiadása

4. Kisházi feladatok ellenőrzése

5. Nagyfeladatok megbeszélése, kiadása

6. Nagyfeladatok ellenőrzése

A tantárgy az adatbányászat és pénzügyi folyamatokhoz kapcsolódó labortárgy. Célja az előadáson elhangzottak elmélyítése gyakorlati alkalmazások során, a hallgatók felkészítése arra, hogy képesek legyenek adatbányászati elemzéseket végezni különböző területeken (kereskedelem, pénzügy, marketing, orvosi adatbányászat...). Ennek érdekében az órák során a legfontosabb adatbányászati technikák (gyakori elemhalmazok keresése, asszociációs szabályok keresése, klaszterezés, osztályozás) kerülnek bemutatásra egy, a gyakorlatban széles körben elterjedt adatbányászati szoftver segítségével.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge

No learning outcomes recorded.

Skills

No learning outcomes recorded.

Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

labor

Tanulástámogató anyagok

Not provided.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Algoritmusok elmélete, gráfelmélet, adatbányászati alapfogalmak

Skill type competencies

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Recommended (non-compulsory) preliminary competencies

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

Algoritmusok elmélete, gráfelmélet, adatbányászati alapfogalmak

General rules

Követelmények: a. A szorgalmi időszakban: kisházi feladat, nagyfeladat megoldása b. A vizsgaidőszakban: - c. Elővizsga: - Pótlási lehetőségek: nincs

Assessment methods

In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description

Not provided.

Recommended courses

Not provided.

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements

Requirements valid from:

—

Requirements valid until:

—

Curriculum placement

No curriculum placements recorded for this subject version.