K-INFO
HU
EN
Belépés
Tantárgy » BMEVITT9077
Régebbi verziók TAD letöltése (PDF)

Statisztikai módszerek az adatbányászatban

Statistical Methods in Data Mining
A tantárgyleírás hatályossága
Hatályosság kezdete:
—
Hatályosság vége:
—
Tantárgy neve (magyarul, angolul)
Statisztikai módszerek az adatbányászatban
Statistical Methods in Data Mining
Tantárgykód BMEVITT9077
Tantárgyjelleg —
Képzési szint —
Kurzustípusok és óraszámok (heti/féléves)
Kurzustípus elmélet gyakorlat laboratóriumi gyakorlat
óraszám (heti) 4 0 0
jelleg (kapcsolt/önálló) — — —
Tanulmányi teljesítmény/értékelés típusa vizsga
Tantárgy kreditértéke 5
Tantárgyfelelős
Maricza István
elérhetőség: maricza@tmit.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. Bevezetés. Adatbányászat és kapcsolatai más tudományokkal: statisztika, tanuláselmélet, adatbázisok, algoritmuselmélet. Alkalmazási területek. Távközlési esettanulmány: előfizetői elvándorlás előrejelzése.
  2. Az adatbányászat folyamata. A módszerek általános struktúrája. “Score” függvények.
  3. Adatfeldolgozás. Adatok összefoglaló leírása, statisztikai alapfogalmak. Vizualizáció. Számítógépes lehetőségek áttekintése. Exploratív statiszikai elemzés.
  4. A bizonytalanság kezelése. Statisztikai tesztek. Maximum likelihood és Bayes-becslések.
  5. Modellépítés. Illeszkedésvizsgálat. Lineáris és nemlineáris regresszió. Diagnosztika.
  6. Mintakeresés adatmátrixokban.
  7. Nemparaméteres modellezés. Keverékek felbontása, EM algoritmus. Partíció alapú és hierarchikus klaszterezés.
  8. 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.

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, gyakorlat, laboratórium): előadás

Tanulástámogató anyagok

Online források
Hand-Mannila-Smyth: Principles of Data Mining. MIT Press, 2001 Hastie-Tibshirani-Friedman: The Elements of Statistical Learning. Data Mining, Inference and Prediction. Springer 2001 Han-Kamber: Data Mining. Concepts and Techniques. Morgan Kaufmann Publishers, 2001 Bodon Ferenc: Adatbányászati algoritmusok (elektronikusan elérhető tanulmány)

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Valószínűségszámítás
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)
Valószínűségszámítás
Általános szabályok
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.
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
-----
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.