Adatbányászati alkalmazások

1. hét

Bevezetés a tudásfeltárás folyamatába, az adatbányászat kialakulását indukáló körülmények, vásárlói kosár modell ismertetése, termékhalmaz gyakorisága, asszociációs szabály intuitív bevezetése, mohó eljárás és hatékonyságának vizsgálata.

2. hét

Mohó algoritmus továbbfejlesztése gyakori termékhalmazok keresésére, szintenként haladó eljárás, APRIORI elv és felhasználása, jelöltállítás és törlés, APRIORI algoritmus felvázolása, leállási feltételei. Asszociációs szabályok formális bevezetése. Adatbányászat definíciója, összevetés más tudományterületekkel. Alkalmazási területek hipermarketekben, bevásárlói kártyák, gyakori szekvenciák fogalma.

3. hét

CRISP-DM metodika bevezetése, lépései. Távközlési területen használt adatbányászati megoldások, lemorzsolódás CRISP-DM alapú bemutatása, adatforrások, adatminőség, adatelőkészítés, modellezési igény, osztályozási feladat bevezetése, döntési fák.

4. hét

Ügyfélszegmentáció, klaszterezés irányelvei és célfüggvénye, szegmentáció a távközlési területen. Klaszterezés és az osztályozás összevetése. Kapcsolati hálók elemzésének lehetőségei. K-közép és K-medoid eljárások bevezetése, tulajdonságaik. Klaszterek értelmezése osztályozási technikákkal.

5. hét

Üzleti intelligencia és az adatbányászat kapcsolata. Adatbányászati alkalmazások banki és biztosítói környezetben. Regressziós technikák és a regresszió alapfeladatának összevetése a klaszterezéssel és az osztályozással. Scorecardok, hitelbírálat. Hitelbírálat speciális adattorzulási környezetének eliminálása.

6. hét

Webes adatbányászati alkalmazások. A webes alkalmazhatóság három területének áttekintése, webes adatforrások, adatminőség, adatelőkészítés, felhasználó azonosítás kérdései. Mintakeresés weblog adatokban. Felhasználó-viselkedés elemzése.

7. hét

Adatbányászati és üzleti intelligencia piac áttekintése, trendek bemutatás. Sikeres adatbányászat kritériumai, az eddig bemutatott területek alkalmassága. Modellezés eredményének visszamérése, találati pontosság, megbízhatósági érték, ROC görbe, AUC.

8. hét

Zh írás

Adatbányászati szoftverek és szoftverszállítók, piaci körkép, eszközök képességeinek rövid bemutatása, költségek, integrálhatóság.

9. hét

Ajánlattevő rendszerek alapjainak áttekintése, tartalom alapú és felhasználói szokásokon alapuló rendszerek összevetése. Az ajánlattevő rendszereknél felmerülő adatbányászati problémák (hidegindítás, beszűkülés stb.) bemutatása. Feature selection és extraction módszerek.

10. hét

Nyomkövetés és beltéri helymeghatározás adatbányászati kérdései. Az RFID technológia alapjainak ismertetése, és felhasználási lehetőségei. Pozícionálási algoritmusok. A k legközelebbi szomszéd algoritmus, dimenziók átka.

11. hét

Tőzsdei adatok elemzése, idősorok adatbányászatának aspektusai. Perceptron modell. Neurális hálózatok alapjainak áttekintése, négyzetes hibafüggvény és gradiens módszerek, a neurális hálózatok összevetése az eddig bemutatott osztályozó módszerekkel.

12. hét

Együttes osztályozó rendszerek, bagging és boosting technikák, szavazó stratégiák bemutatása. Orvosi adatok elemzése adatbányászati módszerekkel (esettanulmány).

13. hét

Esettanulmányok bemutatása a CRISP-DM módszertan lépésein keresztül: gyalogos-felismerés képek alapján, gesztusfelismerés mobilba épített gyorsulásmérő segítségével.

14. hét

Zh pótlás, elővizsga