Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Adatbányászat laboratórium

    A tantárgy angol neve: Data Mining Laboratory

    Adatlap utolsó módosítása: 2007. szeptember 21.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar
    Mérnök Informatikus Szak BSc.Vállalati információs rendszerek szakirány
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VISZA384 6 0/0/2/f 2  
    3. A tantárgyfelelős személy és tanszék Dr. Pintér Márta, Számítástudományi és Információelméleti Tanszék
    4. A tantárgy előadója

    Dr. Pintér Márta, egyetemi docens

    5. A tantárgy az alábbi témakörök ismeretére épít

    Adatbányászati alapismeretek, algoritmusok elmélete, valószínűség-számítás

    6. Előtanulmányi rend
    Kötelező:
    Szakirany("AMIvállinfr", _)


    ÉS NEM ( TárgyEredmény( "BMEVIETAC03" , "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVIETAC03", "FELVETEL", AktualisFelev()) > 0
    VAGY
    TárgyEredmény( "BMEVIETAC08" , "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVIETAC08", "FELVETEL", AktualisFelev()) > 0)

    A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

    A kötelező előtanulmányi rendek grafikus formában itt láthatók.

    7. A tantárgy célkitűzése A tárgy gyakorlati ismereteket nyújt az adatbányászati módszerekről. A labor során a hallgató megismerkedik egy ismert adatbányászati szoftverrel, megismerkedik az adatbányászat elméleti háttérrel, és tapasztalatokat szerez az adatelemzés, tudáskinyerés területén. A labor célja a hallgatók felkészítése arra, hogy képesek legyenek adatbányászati elemzéseket végezni különböző területeken (kereskedelem, pénzügy, marketing, orvosi adatbányászat, stb.).
    8. A tantárgy részletes tematikája

    1.       Általános ismertető az adatbányászatról. Legfontosabb adatbányászati feladatok, az adatbányászat és a gépi tanulás nehézségei.

    2.       WEKA adatbányászati szoftver bemutatása, előfeldolgozás, adattranszformációk

    3.       Gyakori elemhalmaz keresés, asszociációs szabály keresés, eredmények interpretációja, asszociációs szabálykeresés buktatói , érdekességi mutatók

    4.       Osztályozás: legközelebbi szomszéd módszere, döntési szabályok

    5.       Osztályozás: döntési fák

    6.       Neurális hálózatok, Bayesi hálózatok, SVN osztályozás

    7.       Klaszterezés

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

    Laboratóriumi gyakorlat.

    10. Követelmények a.              A szorgalmi időszakban:

    1) Az ismeretek alkalmazására és készségszintű begyakorlására a félév első felében tartott összevont laboratóriumi gyakorlatokon kerül sor. A laborgyakorlatokon való részvétel kötelező.

    (2) Az ismereteket a laboratóriumi gyakorlatokon mérjük. A gyakorlatokon a szakirányos előadások alapján, illetve a kiadott útmutató alapján felkészülten kell megjelenni. A felkészülést beugró jelleggel mérjük. A gyakorlaton végzett munkát dokumentálni kell, amit az óra végén be kell adni. A beadott dokumentációt és az elvégzett munkát osztályozzuk.

    (3) A laboratóriumi gyakorlatot elégtelen felkészülés, sikertelen teljesítés vagy mulasztás esetén pótolni kell.

    Az aláírás megszerzésének feltétele: Minden laboratóriumi gyakorlat sikeres teljesítése.

     

    b.             A vizsgaidőszakban: -

    c.              Elővizsga: -

    d.             A félévközi jegy megállapításának módja: A gyakorlatokon szerzett jegyek átlaga.

    11. Pótlási lehetőségek

    Egy laboratóriumi gyakorlat pótolható. Pótolni a következő foglalkozás megkezdése előtt, a mulasztó hallgató által kezdeményezve külön egyeztetett időpontban kell.

    12. Konzultációs lehetőségek

    Minden laboratóriumi felkészüléshez egyéni kezdeményezésre konzultációs lehetőséget biztosítunk.

    13. Jegyzet, tankönyv, felhasználható irodalom Dr. Bodon Ferenc: Adatbányászati algoritmusok, BME Számítástudományi és Információelmélet tanszék. Budapest, 2007, Online jegyzet http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulmany/index.html

    Dr. Abonyi János: Adatbányászat - A hatékonyság eszköze, ComputerBooks Kiado Kft. Budapest, 2006

    Ian H. Witten and Eibe Frank: Data Mining: Practical machine learning tools and techniques, 2nd Edition, Morgan Kaufmann, San Francisco, 2005.

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra28
    Félévközi készülés órákra32
    Felkészülés zárthelyire0
    Házi feladat elkészítése0
    Kijelölt írásos tananyag elsajátítása0
    Vizsgafelkészülés0
    Összesen
    15. A tantárgy tematikáját kidolgozta
    Név:Beosztás:Tanszék, Int.:
    Dr. Bodon Ferencegyetemi tanársegéd SZIT
    Dr. Pintér Mártaegyetemi docensSZIT