K-INFO
HU
EN
Belépés
Tantárgy » BMEVISZA084
Régebbi verziók TAD letöltése (PDF)

Adatbányászat - 2

Data Science - Part 2
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
Tantárgy neve (magyarul, angolul)
Adatbányászat - 2
Data Science - Part 2
Tantárgykód BMEVISZA084
Tantárgyjelleg —
Képzési szint —
Kurzustípusok és óraszámok (heti/féléves)
Kurzustípus elmélet gyakorlat laboratóriumi gyakorlat
óraszám (heti) 0 0 2
jelleg (kapcsolt/önálló) — — önálló
Tanulmányi teljesítmény/értékelés típusa félévközi érdemjegy
Tantárgy kreditértéke 2
Tantárgyfelelős
DR. Katona Gyula
beosztás: egyetemi tanár
Tantárgyat gondozó oktatási szervezeti egység
Számítástudományi és Információelméleti Tanszék
Kar Villamosmérnöki és Informatikai Kar
Tantárgy weboldala www.cs.bme.hu/....
Tantárgy elsődleges mintatantervi jellege —
Közvetlen előkövetelmények – Erős előkövetelmény nincs
Közvetlen előkövetelmények – Gyenge előkövetelmény nincs
Közvetlen előkövetelmények – Párhuzamos előkövetelmény nincs
Közvetlen előkövetelmények – Mérföldkő előkövetelmény nincs
Közvetlen előkövetelmények – Kizáró feltétel nincs

Célkitűzés

Tantárgyprogram

1.  Advanced classification methods: Bagging, boosting, AdaBoost.
2.  Random forest. Implementation of models by WEKA.
3.  Support Vector Machine. Kernel methods, graph kernels. Protein function prediction.
4.  Similarity measures, fingerprint based similarity search. Sketches.
5.  Dimensionality reduction by spectral methods, singular value decomposition, low-rank                             approximation.
6.  Spectral clustering, bi-clustering for microarrays.
7.  Mixture models. Maximum likelihood estimators, EM-algorithm.
8.  Gauss Mixture Models. Midterm test.
9.  Search engines, web information retrieval, PageRank and beyond.
10. Rank learning for Protein Structure Prediction.
11. Text mining, natural language processing. Building databases and networks from PubMed and BioMed Central.
12. Graph mining algorithms. Frequent subgraph mining in microarray-based co-expression networks.
13. Semi-supervised classification of network data, graph stacking in biological networks.
14. Feature selection methods for unbalanced data sets. Final test.

 

The aim of the course is to discuss advanced techniques of data mining with useful knowledge of related disciplines supporting real-world, especially bioinformatics data mining projects. By the end of the course, students will be able to analyze biological (genomic, microarray, pathway, protein, chemical) data sets using complex data mining methods.

Tanulmányi eredmények

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

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

Handouts, PowerPoint presentations, relevant research papers, web page, course mailing list and Wiki. Weekly regular office hour for consultations.

Tanulástámogató anyagok

Nincs megadva.

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
The course requires basic knowledge in data mining. (See also the course Data Mining: Models and Algorithms) Background in probability theory and linear algebra is important. Knowledge in combinatorics and algorithms is an advantage. May be studied in the same semester as „Data mining - Part 1”
Képesség típusú kompetenciák
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
The course requires basic knowledge in data mining. (See also the course Data Mining: Models and Algorithms) Background in probability theory and linear algebra is important. Knowledge in combinatorics and algorithms is an advantage. May be studied in the same semester as „Data mining - Part 1”
Általános szabályok

Nincs megadva általános szabály.

Teljesítményértékelési módszerek
Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Nincs megadva.

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága
Tantárgykövetelmények hatályosságának kezdete:
—
Tantárgykövetelmények hatályosságának vége:
—
Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.