Data Mining Algorithms

Adatbányászati algoritmusok

A tantárgyleírás hatályossága

Hatályosság kezdete:

—

Hatályosság vége:

—

Subject name (Hungarian, English)

Adatbányászati algoritmusok

Data Mining Algorithms

Subject code

BMEVIMA9031

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

vizsga

Credits

Subject coordinator

—

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

Első órában a hallgatók megismerkedhetnek az adatbányászat fogalmával, céljaival, lépéseivel, legfontosabb területeivel, adatbányászati rendszer felépítésével. Ezután az egyes területeket ismertetjük. Ezen belűl előszőr a felmerülő igényt, majd probléma formális leírását, és végül a megoldó algoritmusok következnek. Az alábbi adatbányászati problémákat vizsgáljuk részletesen:

asszociációs szabálykinyerés,
korreláció-analízis,
hasonlóságkeresés,
funkcionális függőségek kinyerése,
epizódkutatás,
klaszterezés
intelligens webes keresés.

A tantárgy bevezetést nyújt az algoritmikus adatbányászatba. A hallgatók megismerhetik a legfontosabb asszociációs szabálykinyerő, epizódkutatási, korrelációkinyerő, hasonlóságfelismerő és klaszterező algoritmusokat, ezen kívűl megismerkedhet az intelligens webes keresés részleteivel.

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

(előadás, gyakorlat, laboratórium): Előadás

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, Valószínűségszámítás, Adatbázisok

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, Valószínűségszámítás, Adatbázisok

General rules

Követelmények: a. A szorgalmi időszakban: Házi feladat, ami lehet egy algoritmus implementálása vagy egy tudományos cikk elolvasása, majd ebből irásbeli és szóbeli beszámoló készítése. b. A vizsgaidőszakban: Írásbeli vizsga c. Elővizsga: Pótlási lehetőségek: A házi feladatot a vizsgaidőszak első 3 hetében lehet pótolni.

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.