Tantárgy » BMEVISZA384
Adatbányászat laboratórium
Data Mining Laboratory
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
Adatbányászat laboratórium
Data Mining Laboratory
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVISZA384 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | félévközi érdemjegy | ||||||||||||
| Tantárgy kreditértéke | 2 | ||||||||||||
| Tantárgyfelelős |
DR. Pintér Márta Barbara
beosztás: egyetemi docens
elérhetőség:
pinter.marta@vik.bme.hu
|
||||||||||||
| Tantárgyat gondozó oktatási szervezeti egység |
Számítástudományi és Információelméleti Tanszék
|
||||||||||||
| Kar | Villamosmérnöki és Informatikai Kar | ||||||||||||
| Tantárgy weboldala | — | ||||||||||||
| 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. Általános ismertető az adatbányászatról. Legfontosabb adatbányászati feladatok, az adatbányászat és a gépi tanulás nehézségei.
2. WEKA adatbányászati szoftver bemutatása, előfeldolgozás, adattranszformációk
3. Gyakori elemhalmaz keresés, asszociációs szabály keresés, eredmények interpretációja, asszociációs szabálykeresés buktatói , érdekességi mutatók
4. Osztályozás: legközelebbi szomszéd módszere, döntési szabályok
5. Osztályozás: döntési fák
6. Neurális hálózatok, Bayesi hálózatok, SVN osztályozás
7. Klaszterezés
A tárgy gyakorlati ismereteket nyújt az adatbányászati módszerekről. A labor során a hallgató megismerkedik egy ismert adatbányászati szoftverrel, megismerkedik az adatbányászat elméleti háttérrel, és tapasztalatokat szerez az adatelemzés, tudáskinyerés területén. A labor célja a hallgatók felkészítése arra, hogy képesek legyenek adatbányászati elemzéseket végezni különböző területeken (kereskedelem, pénzügy, marketing, orvosi adatbányászat, stb.).
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
Laboratóriumi gyakorlat.
Tanulástámogató anyagok
Online források
Dr. Bodon Ferenc: Adatbányászati algoritmusok, BME Számítástudományi és Információelmélet tanszék. Budapest, 2007, Online jegyzet http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulmany/index.html Dr. Abonyi János: Adatbányászat - A hatékonyság eszköze, ComputerBooks Kiado Kft. Budapest, 2006; Ian H. Witten and Eibe Frank: Data Mining: Practical machine learning tools and techniques, 2nd Edition, Morgan Kaufmann, San Francisco, 2005.
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Adatbányászati alapismeretek, algoritmusok elmélete, valószínűség-számítás
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)
Adatbányászati alapismeretek, algoritmusok elmélete, valószínűség-számítás
Általános szabályok
Követelmények:
a. A szorgalmi időszakban: 1) Az ismeretek alkalmazására és készségszintű begyakorlására a félév első felében tartott összevont laboratóriumi gyakorlatokon kerül sor. A laborgyakorlatokon való részvétel kötelező.
(2) Az ismereteket a laboratóriumi gyakorlatokon mérjük. A gyakorlatokon a szakirányos előadások alapján, illetve a kiadott útmutató alapján felkészülten kell megjelenni. A felkészülést beugró jelleggel mérjük. A gyakorlaton végzett munkát dokumentálni kell, amit az óra végén be kell adni. A beadott dokumentációt és az elvégzett munkát osztályozzuk.
(3) A laboratóriumi gyakorlatot elégtelen felkészülés, sikertelen teljesítés vagy mulasztás esetén pótolni kell.
Az aláírás megszerzésének feltétele: Minden laboratóriumi gyakorlat sikeres teljesítése.
b. A vizsgaidőszakban: -
c. Elővizsga: -
d. A félévközi jegy megállapításának módja: A gyakorlatokon szerzett jegyek átlaga.
Pótlási lehetőségek:
Egy laboratóriumi gyakorlat pótolható. Pótolni a következő foglalkozás megkezdése előtt, a mulasztó hallgató által kezdeményezve külön egyeztetett időpontban kell.
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.