Subject » BMEVITT9077
Statistical Methods in Data Mining
Statisztikai módszerek az adatbányászatban
A tantárgyleírás hatályossága
Hatályosság kezdete:
—
Hatályosság vége:
—
| Subject name (Hungarian, English) |
Statisztikai módszerek az adatbányászatban
Statistical Methods in Data Mining
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Subject code | BMEVITT9077 | ||||||||||||
| Subject type | — | ||||||||||||
| Training Level | — | ||||||||||||
| Course types and hours (weekly/semester) |
|
||||||||||||
| Assessment type | vizsga | ||||||||||||
| Credits | 5 | ||||||||||||
| Subject coordinator |
Maricza István
contact:
maricza@tmit.bme.hu
|
||||||||||||
| Responsible department |
—
|
||||||||||||
| Faculty | |||||||||||||
| Subject website | — | ||||||||||||
| Primary curriculum type | — | ||||||||||||
| Direct prerequisites – Strong prerequisite | none | ||||||||||||
| Direct prerequisites – Weak prerequisite | none | ||||||||||||
| Direct prerequisites – Parallel prerequisite | none | ||||||||||||
| Direct prerequisites – Milestone prerequisite | none | ||||||||||||
| Direct prerequisites – Exclusion | none |
Objectives
Programme
- Bevezetés. Adatbányászat és kapcsolatai más tudományokkal: statisztika, tanuláselmélet, adatbázisok, algoritmuselmélet. Alkalmazási területek. Távközlési esettanulmány: előfizetői elvándorlás előrejelzése.
- Az adatbányászat folyamata. A módszerek általános struktúrája. Score függvények.
- Adatfeldolgozás. Adatok összefoglaló leírása, statisztikai alapfogalmak. Vizualizáció. Számítógépes lehetőségek áttekintése. Exploratív statiszikai elemzés.
- A bizonytalanság kezelése. Statisztikai tesztek. Maximum likelihood és Bayes-becslések.
- Modellépítés. Illeszkedésvizsgálat. Lineáris és nemlineáris regresszió. Diagnosztika.
- Mintakeresés adatmátrixokban.
- Nemparaméteres modellezés. Keverékek felbontása, EM algoritmus. Partíció alapú és hierarchikus klaszterezés.
- Prediktív modellezés, osztályozás. Döntési fák. Neurális hálók. Diszkriminancia-analízis. Legközelebbi szomszéd módszerek.
A tárgy célja, hogy részletes bevezetést nyújtson az adatfeldolgozás és az adatbányászat alapvető fogalmaiba, kihangsúlyozva a számos, egymástól eltérő módszer közös statisztikai alapjait. Ez az egységes szemlélet lehetővé teszi a problémaközpontú megközelítést és segíti a hallgatókat abban, hogy ki tudják választani az alkalmazáshoz leginkább megfelelő algoritmust. Az elmondottak szemléltetésére komplex esettanulmányt mutatunk be.
Learning outcomes
Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:
Knowledge
No learning outcomes recorded.
Skills
No learning outcomes recorded.
Attitudes
No learning outcomes recorded.
Autonomy and responsibility
No learning outcomes recorded.
Oktatási módszertan
(előadás, gyakorlat, laboratórium):
előadás
Tanulástámogató anyagok
Not provided.
Recommended preliminary knowledge for completing the subject
Knowledge type competencies
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Valószínűségszámítás
Skill type competencies
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Recommended (non-compulsory) preliminary competencies
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Valószínűségszámítás
General rules
Követelmények:
a. A szorgalmi időszakban: a félév közepén egy zárthelyi dolgozat.
Fakultatívan: számítógépes feladatok, beadható házi feladatok
b. A vizsgaidőszakban: sikeres zárthelyi esetén szóbeli vizsga
Elővizsga: kellő számú beadott házi feladat és/vagy számítógépes munka esetén
Pótlási lehetőségek:
Ha a hallgató nem tud bejárni az előadásokra, akkor javasoljuk, hogy beszélje meg az előadóval az egyéni felkészülés lehetőségeit.
Az elmulasztott zárthelyi dolgozat szóbeli beszámolóval pótolható.
Assessment methods
In-term assessments
No detailed assessments provided.
Weight of in-term assessments
No weights provided.
Exam-period assessments
No detailed assessments provided.
Weight of exam elements
No weights provided.
Grade calculation
No grade thresholds provided.
Attendance requirements
No attendance requirements provided.
Rules for retake and resubmission
Not provided.
Short description
Not provided.
Detailed description
Not provided.
Recommended courses
-----
Workload to complete the subject
No workload breakdown provided.
Validity of subject requirements
Requirements valid from:
—
Requirements valid until:
—
Curriculum placement
No curriculum placements recorded for this subject version.