Adatelemzési platformok

Data Analytics Platforms

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Adatelemzési platformok

Data Analytics Platforms

Tantárgykód

BMEVITMMA05

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	2	1	0
jelleg (kapcsolt/önálló)	—	kapcsolt	—

Tanulmányi teljesítmény/értékelés típusa

félévközi érdemjegy

Tantárgy kreditértéke

Tantárgyfelelős

Dr. Magyar Gábor Béla

elérhetőség: magyar.gabor@vik.bme.hu

Tantárgyat gondozó oktatási szervezeti egység

Távközlési és Mesterséges Intelligencia 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

Adatbányászat legújabb trendjei, CRISP-DM (Cross Industry Standard Process for Data Mining) metodika. Osztályozási feladat távközlési hívásadatok churn (lemorzsolódás, elvándorlás) rendszerében.

Hitelbírálati rendszer bemutatása, scoring technika, mintavételezés. Ügyfélérték fogalma.

Bankkártya adatok, keresztértékesítés iránya, a sikeres adatbányászat 6 feltétele.

Ügyfélszegmentálás, klaszterező eljárások, k-közép és k-medoid algoritmus

Kampányoptimalizáció. Biztosítási adatokon történő adatelemzés. Kombinált adatbányászati eljárások, együttes osztályozók

A hálózatelemzés alapjai, hálózat alapú előrejelzés, fertőzési modellek felhasználása

Közösségi hálók hálózati elemzése adatbányászat segítségével.

Társadalmi, környezeti adatok gyűjtése és feldolgozása.

Adattranszformációs és adatmanipulációs lehetőségek és vizuális adatelemzés: adattípusok, adatelemzési problémák áttekintése, visszamérési módszerek.

Adatelőkészítési módszerek: adattisztítási módszerek, adatintegrációs és transzformációs technikák, adatredukciós módszerek, diszkretizációs technikák.

Osztályozási problémák megoldása: döntési technikák, példányalapú mószerek. Metatanuló módszerek.

Klaszterezés és outlier keresés: hasonlósági és távolsági mértékek, particionáló módszerek, hierarchikus klaszterezők, sűrűség alapú klaszterezők, outlier keresési technikák.

Idősoros adatok feldolgozása: lineáris és nem-lineáris módszerek, regressziós fák.

A nagy adat (Big Data) jelensége és fogalma, szerepe. Az Apache Hadoop platform bemutatása.

Elosztott adattárolás és elemzések MapReduce alapokon. MapReduce programozási minták.

Lekérdezési módszerek és programnyelvek nagy adatok esetén (Hive, Pig). Big Data esettanulmányok.

Gyakorlati órák tématerületei:

Hitelbírálati feladat adatbányászati megoldása
Keresztértékesítés
Távközlési cég ügyfeleinek elvándorlás (churn) előrejelzése
Kampányoptimalizáció biztosítási környezetben
Vásárlói kártya adatok adatbányászati feldolgozása
Big Data megoldásokhoz kapcsolódó Hadoop alapú technológiák

Rendszereinkből kinyerhető adatok mennyiségének növekedésével, a tárolási költségek csökkenésével egyre nagyobb az igény az adatokból kinyerhető összefüggések, tudás kiaknázására. A tárgy elsődleges célja, hogy a hallgatók készség szinten legyenek képesek adatbányászati feladatok megfogalmazására és valós adathalmazok felett ilyen problémák megoldására. Ehhez a tárgy nemcsak az adatbányászat, a gépi tanulás, az adatelemzés elvi hátterét mutatja be, hanem vizuális programozási metodikát használó adatbányászati szoftvereket, platformokat is ismertet, külön figyelmet szentel a ’big data’ elemzési feladatokra megoldást jelentő Hadoop platform bemutatására. Az elméleti hátteret alkalmazási területekhez köthetően, valós adathalmazokon végzett elemzési feladaton keresztül mutatja be. Az alkalmazási területek felölelik az üzleti élethez köthető legfontosabb adatelemzési, adatbányászati problémaköröket, mint az elvándorlás előrejelzés, marketing kampánytámogatás, kockázatbecslés.

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 és gyakorlat

Tanulástámogató anyagok

Online források

Dr.; Abonyi János: Adatbányászat a hatékonyság eszköze, Computerbooks, Budapest; 2006 ; Larose,; Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining,; Wiley-Interscience, 2004.; Bodon; Ferend, Búza Krisztián: Adatbányászat (folyamatosan bővülő elektronikus; jegyzet), 2013; Donald Miner, Adam Shook:; MapReduce Design Patterns: Building Effective Algorithms and Analytics for; Hadoop and Other Systems, O’Reilly, 2012

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Alapvető matematikai és algoritmuselméleti ismeretek

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)

Alapvető matematikai és algoritmuselméleti ismeretek

Általános szabályok

Követelmények: A szorgalmi időszakban: 1 db házi feladat és 1 db zárthelyi dolgozat A kredit-megszerzés feltétele a nagyházi feladat (beleértve a pótló nagyházit is: lásd a következő pontban) és a zárthelyi dolgozat legalább elégséges szintre történő megírása. A félévközi érdemjegy a zárthelyi és a házi feladat osztályzatainak átlaga. Pótlási lehetőségek: Sikertelen zárthelyi egy alkalommal (pótZH vagy pót-pótZH alkalmával) pótolható. A házi feladat pótlólagos beadása a pótlási időszakban lehetséges.

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

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.