" /> Ekonomická univerzita v Bratislave
ZAMESTNANCI > Katalóg predmetov > Predmety
Späť na zoznam Vytlačiť
Názov vysokej školy EKONOMICKÁ UNIVERZITA V BRATISLAVE
Názov fakulty: Fakulta hospodárskej informatiky
PROJEKT PREDMETU
IDENTIFIKAČNÉ ÚDAJE
Názov gestorského pracoviska: Katedra štatistiky
Kód predmetu:
Typ predmetu: povinný
Názov predmetu v slovenskom jazyku (úplný): Hĺbková analýza dát
Názov predmetu v anglickom jazyku (úplný): Data Mining
Názov predmetu v jazyku výučby (úplný; v prípade, ak je jazyk výučby iný ako SJ alebo AJ):
Priezvisko, meno a tituly garanta predmetu (v tvare priezvisko, meno, tituly): TEREK Milan, prof. Ing. PhD.
Priezvisko, meno a tituly vyučujúcich predmetu: LABUDOVÁ Viera, RNDr. PhD., TEREK Milan, prof. Ing. PhD.
Obdobie štúdia:

2. stupeň
Ročník štúdia:

2. ročník denné štúdium
Semester štúdia:

zimný
Jazyk výučby:

slovenský
Forma výučby:

prednáška

cvičenie
Rozsah výučby (celkový) v hodinách pre denné štúdium: 52 hod
Rozsah výučby (týždenný) v hodinách pre denné štúdium: 2/2
Rozsah výučby (celkový) v hodinách pre externé štúdium: 16 hod.
Spôsob ukončenia predmetu:

skúška
Počet kreditov ECTS: 6
Študijná záťaž:

Celková záťaž: 156 hodín.

Rozsah priamej kontaktnej výučby -  celkovo 52 hodín prednášok a cvičení.

Individuálna príprava na prednášky 24 hodín.

Individuálna príprava na cvičenia 30 hodín.

Individuálna príprava na záverečnú skúšku 50 hodín.
Podmieňujúce predmety (ak existujú):

Štatistika, Štatistické metódy                                                                      
 
Priebežné hodnotenie:

samostatná práca

priebežné testy
Záverečné hodnotenie:

písomná skúška
Stručná osnova predmetu:

Hĺbková analýza dát – ciele, úlohy a aplikačné oblasti. Proces hĺbkovej analýzy dát.  Softvér na hĺbkovú analýzu dát. SAS Enterprise Miner a metodika SEMMA. Databázy. Príprava dát. Učenie sa z dát.  Typy metód učenia sa. Rozhodovacie stromy a rozhodovacie pravidlá. Generovanie rozhodovacieho stromu. Prerezávanie rozhodovacích stromov. Generovanie rozhodovacích pravidiel.  Logistická regresia. Umelé neurónové siete a ich architektúra. Asociačné pravidlá. Bayesovská indukcia. Hodnotenie modelov. 
Študijná literatúra:

Základná literatúra:

1.  Terek, M. – HORNÍKOVÁ, A., LABUDOVÁ, V.: Hĺbková analýza údajov. Bratislava:Iura edition 2010. ISBN 978-80-8078-336-5.

Odporúčaná literatúra:

  1. Kantardzic, M.: Data Mining. Concepts, Models, Methods and Algorithms. USA, J. Wiley and Sons 2003. ISBN 0-471-22852-4.
  2. Guidici, P.: Applied Data Mining. New York, J. Wiley and Sons 2004. ISBN 0-470-84679-8
  3. LAROSE, D. T.: Discovering Knowledge in Data. An Introduction to Data Mining. USA: Wiley 2005. ISBN 978-0-471-66657-8.
  4. 4. LAROSE, D. T.: Data Mining. Methods and Models. USA: Wiley 2006. ISBN 0-471-66656-4.

 
VYUČOVACIE METÓDY A METÓDY HODNOTENIA
Vyučovacie / študijné metódy umožňujúce dosiahnutie vzdelávacích výstupov):

Študenti absolvujú  52 hodín priamej kontaktnej výučby v podobe prednášok, cvičení, štúdium literatúry a záverečnú prípravu na skúšku.
Metódy hodnotenia dosiahnutia vzdelávacích výstupov a ich podiel:

Cvičenia 30%

Záverečná skúška 70%.

 

 
INÉ ZÁZNAMY
Osobitné podmienky pre ukončenie predmetu (ak existujú):

nie
Dátum poslednej aktualizácie projektu: 08.01.2014
Podpis garanta: