Tantárgy » BMEVISZJV68
Adatbányászati algoritmusok
Data Mining Algorithms
A tantárgyleírás hatályossága
Hatályosság kezdete:
—
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
Adatbányászati algoritmusok
Data Mining Algorithms
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVISZJV68 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | vizsga | ||||||||||||
| Tantárgy kreditértéke | 4 | ||||||||||||
| Tantárgyfelelős |
DR. Pintér Márta Barbara
beosztás: egyetemi docens
elérhetőség:
pinter.marta@vik.bme.hu
|
||||||||||||
| Tantárgyat gondozó oktatási szervezeti egység |
—
|
||||||||||||
| 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. hét
* Adatbányászat fogalma, története, feladatai, statisztika kontra
adatbányászat, tudásfeltárás folyamata
* Alkalmazási területek, sikeres alkalmazások, adatbányászat
szoftverek, WEKA, etikai kérdések, elvárások
2. hét
* Előfeldolgozás: attribútum típusok, alapvető statisztikai értékek
(mintaátlag, korrigált empirikus szórás, medián kvantilisek,
kvartilisek, ferdeség, lapultság), hasonlóság-különbözőség
meghatározása, súlyozás, normalizálás
* hiányzó értékek kezelése, diszkretizálás, mintavételezés (Csernov
korlátos, bináris és hipergeometrikus eloszláson alapuló elemzés)
3. hét
* Dimenziócsökkentés: szinguláris érték szerinti felbontás (SVD),
főkomponens analízis (PCA)
* Gyakori elemhalmazok kinyerésének (GYEK) feladata, alapvető fogalmak
(támogatottság/gyakoriság, fedés, gyakori elemhalmaz) adatábrázolási
módok, gyakori elemhalmazok keresési tere, GYEK algoritmusok főbb
jellemzői, fogalmai (pl. jelölt, ismétlés nélküli jelölt-előállítás)
4. hét
* Apriori algoritmus, szófa a gyakori elemhalmazok tárolására,
minimális szófa problémája
* Modern processzorok felépítése és ennek hatása az algoritmusokra
(memóriahierarchia, adatlokalitás, blokkfeldolgozás,
elágazás-előrejelzés, előreolvasás, adatfüggetlenség,
vektoros/pipe-lineos feldolgozás), az Apriori algoritmus gyorsítása:
bementet tárolása (piros-fekete fa), zsákutca nyesés,
5. hét
* az Apriori gyorsítása: tranzakciók zsugorítása, ekvisupport nyesés,
Borgelt technikája, az Eclat algoritmus
* nem bővíthető gyakori elem, zárt és pszeudozár elemhalmazok és ezek
kinyerése
6. hét
* Az asszociációs szabály fogalma, szabályok kinyerése, maximális
következményrészű szabályok, Duquenne--Guigues-bázis
* A függetlenség meghatározása: lift érték, empirikus
kovariancia/korreláció, statisztikus megközelítések: chi^2 próba,
binomiális próba
7. hét
* Fisher-féle egzakt próba, asszociációs szabályok rangsora
függetlenségi mutatók alapján, értékinvariancia, a chi^2 statisztika
és az empirikus korreláció kapcsolata, a legkisebb mintájú, nagy
bizonyosságú összefüggés-feltárás,
* általánosság/specialitás, hierarchikus asszociációs szabályok,
korreláció kontra implikáció, asszociációs szabályok és az osztályozás
8. hét
* Bevezetés az osztályozásba és a regresszióba, osztályozó módszerek,
módszerekkel szembeni elvárások, osztályozás feladata, elméleti
regressziós görbe,
* Legközelebbi szomszéd módszere, kd-fa, dimenzióátok
9. hét
* lineárisan szeparálható osztályok, perceptron tanulási szabály,
winnow módszer, rocchio módszer
· lineáris regresszió, attribútum-kiválasztás
10. hét
* logisztikus regresszió, mesterséges neurális hálózatok
* döntési szabályok, döntési szabályok kifejezőereje, szabályhalmazok
és sorozatok, döntési táblázatok, 0R/1R algoritmusok, prism módszer
11. hét
* döntési fák felépítése, döntési fák és döntési szabályok, minimális
döntési fa feladata, ID3 algoritmus (feltételes entrópia), CART/CHAID
módszerek lényege
* vágási függvények, Taylor-Silverman elvárások, GINI index, DKM,
chi^2 statisztika, power divergence függvény, döntési fák nyesése
12. hét
* bayesi hálózatok, naiv bayesi hálók (NBH), az NBH és a logisztikus
regresszió kapcsolata
* osztályozók kombinálása: bagging, randomizálás, boosting,
13. hét
* osztályozók kiértékelése: ismételt mintavételezés, keresztvalidáció
(leave-one-out), bootstrap, kappa statisztikai, osztályozók
összehasonlítása, keveredési mátrix,
· klaszterezés alapfogalmai, Kleinberg-féle lehetetlenség-elmélet,
klaszterező algoritmusok csoportjai, algoritmussal szemben támasztott
elvárások, klaszterezés klasszikus jósági mutatói
14. hét
* partíciós algoritmusok: k-közép, k-mediod, clarans
* hierarchikus és sűrűség-alapú módszerek
Az alapvető adatbányászati algoritmusok ismertetése.
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
Előadás
Tanulástámogató anyagok
Online források
Bodon Ferenc Adatbányászati algoritmusok; http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulmany/index.html
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Algoritmusok elmélete, lineáris algebra, gráfelmélet, valószínűségszámítás, adatbázis-elmélet
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)
Algoritmusok elmélete, lineáris algebra, gráfelmélet, valószínűségszámítás, adatbázis-elmélet
Általános szabályok
Követelmények:
a. A szorgalmi időszakban: ZH
b. A vizsgaidőszakban: vizsga
Pótlási lehetőségek:
Sikertelen zárthelyi a szorgalmi időszakban a pótzárthelyin pótolható.
A sikertelen (pót)zárthelyi a pótlási héten különeljárási díj ellenében egy további alkalommal pótolható.
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
Tematikaütközés miatt a tárgyat csak azok vehetik fel, akik korábban nem hallgatták a következő tárgyakat:
Neptun-kód Cím
VISZ5288 Adatbányászat és pénzügyi folyamatok
VIMA9068 Adatbányászati algoritmusok
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.