BME VIK - Adatelemzési szoftverek

magyar nyelvű adatlap

vissza a tantárgylistához nyomtatható verzió

Adatelemzési szoftverek

A tantárgy angol neve: Data Analysis Tools

Adatlap utolsó módosítása: 2021. február 4.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar

Üzemmérnök-informatikus szak, BProf képzés

specializáció tárgy

Adatalapú rendszerek specializáció

Tantárgykód	Szemeszter	Követelmények	Kredit	Tantárgyfélév
VITMBB03	4	2/2/0/v	5

3. A tantárgyfelelős személy és tanszék Lukovszki Csaba,

4. A tantárgy előadója

Dr. Magyar Gábor egyetemi docens TMIT

Hollósi Gergely ügyvivő szakértő TMIT

Lukovszki Csaba tudományos segédmunkatárs TMIT

5. A tantárgy az alábbi témakörök ismeretére épít Adatkezelés

6. Előtanulmányi rend

Kötelező:

Training.Code=("5N-A9") ÉS

Szakirany("BPINadrend", _)

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

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

7. A tantárgy célkitűzése A tantárgy célja, hogy a gépi tanulási feladatok megoldásához szükséges alapvető adatelőkészítési és modellezési feladatokat megismertesse a hallgatókkal (megértés szint (magyarázatok, összefüggések ismerete, esetek felismerése, besorolása - K2). A hallgatók egy felhasználói felületen keresztül, adatfolyam elvű szoftver használatán keresztül ismerhetik meg az adatelemzés alapszintű megoldásait, ily módon kaphatnak rálátást az egyes komponensekből felépíthető komplex megoldások felépítésére (alkalmazás szint: problémamegoldás ismeretek alkalmazásával, példák, feladatok önálló megoldása -K3).

8. A tantárgy részletes tematikája

Az előadások tematikája:

Előadás	Előadás anyaga
1.	Adatelemzési alapok, adatelemzési referencia modell.
2.	Az adatbányászat és adatelemzés feladatai. Deszkriptív és prediktív megközelítések.
3.	Adatelemzési eszközök jellemzői, elemzési képességei, felépítésük.
4.	Adatelőkészítési feladatok megoldása
5.	Gépi tanulási alapfeladatok megoldása: osztályozás, felhasználható algoritmikai eszköztár, visszamérési technikák: megfelelő üzleti és matematikai kiértékelők összepárosítása
6.	Fejlett osztályozási módszerek: meta tanulók, együttes osztályozók használata.
7.	Gépi tanulási alapfeladatok megoldása: regresszió, felhasználható algoritmikai eszköztár, visszamérési technikák: megfelelő üzleti és matematikai kiértékelők összepárosítása
8.	Gépi tanulási alapfeladatok megoldása: klaszterezés, felhasználható algoritmikai eszköztár, visszamérési technikák: megfelelő üzleti és matematikai kiértékelők összepárosítása
9.	Gépi tanulási alapfeladatok megoldása: anomáliadetekció, felhasználható algoritmikai eszköztár, visszamérési technikák: megfelelő üzleti és matematikai kiértékelők összepárosítása
10.	Adatvizualizációs megoldások
11.	Modellek eredményének interpretálása
12.	Idősoros adatok feldolgozása, predikció idősoros adatok esetén
13.	Szövegelemzési feladatok jellegzetességei, kezelésük. Adatfolyamok elemzése.
14.	Valós esettanulmányok bemutatása

A gyakorlatok (laborok) tematikája:

Gyakorlat	Gyakorlat anyaga
1.	Elemző eszköz alapjainak megismerése, feltáró adatelemzés
2.	Adatelőkészítési feladatok megoldása a prediktív modellek hatékonyságának növelése céljából
3.	Regressziós technikák használata használt termékek árainak előrejelzésére
4.	Regressziós technikák használata használt termékek árainak előrejelzésére (folytatás)
5.	Hitelbírálati feladat megoldása
6.	Hitelbírálati feladat megoldása (folytatás)
7.	Kampányoptimalizációs feladat megoldása
8.	Kampányoptimalizációs feladat megoldása (folytatás)
9.	Távközlési ügyfelek szegmentációja
10.	Szegmentációs modellek kiértékelése
11.	Adatvizualizációs gyakorlat
12.	Paraméteroptimalizáció
13.	Modellek interpretálásának gyakorlati aspektusai
14.	Komplex prediktív szolgáltatások létrehozása, a létrehozott megoldások üzleti folyamatokba illesztése

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Az előadásokon módszereket és az ezekhez tartozó kezelési és megoldási lehetőségeket ismertetjük, a gyakorlatokon jellegzetes, életszerű feladatokat oldanak meg a hallgatók.

10. Követelmények

A szorgalmi időszakban: 1 zárthelyi dolgozat (részteljesítmény értékelés). A félév végi aláírás feltételei: a zárthelyi dolgozat (vagy pót dolgozat) legalább elégséges (40%) megírása és a gyakorlatokon legalább 70%-os részvétel.

A vizsgaidőszakban: írásbeli vizsga. Az osztályzat megállapításának módja: a vizsgán szerzett pontok alapján 85%-tól jeles, 70%-tól jó, 55%-tól közepes, 40%-tól elégséges, alatta elégtelen.

11. Pótlási lehetőségek Zárthelyi pótlására egy lehetőség van a szorgalmi időszakban és egy díjköteles lehetőség a pótlási időszakban.

12. Konzultációs lehetőségek A tárgy előadóival előre egyeztetett időpontban.

13. Jegyzet, tankönyv, felhasználható irodalom

Dr. Abonyi János: Adatbányászat a hatékonyság eszköze, Compterbooks, 2006.

Hastie, Trevor, Tibshirani, Robert, Friedman, Jerome: The Elements of Statistical Learning. Data Mining, Inference, and Prediction, Second Edition, Springer, 2009.

Pang-Ning Tan, Michael Steinbach, Vipin Kumar: Bevezetés az adatbányászatba, Panem, 2011.

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

Kontakt óra	56
Félévközi készülés órákra	34
Felkészülés zárthelyire	20
Házi feladat elkészítése
Kijelölt írásos tananyag elsajátítása
Vizsgafelkészülés	40
Összesen	150

15. A tantárgy tematikáját kidolgozta

Név:	Beosztás:	Tanszék, Int.:
Gáspár Csaba	egyetemi tanársegéd	TMIT
Nagy-Rácz István	tanszéki mérnök	TMIT
Dr. Magyar Gábor Béla	egyetemi docens	TMIT

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

Adatelemzési szoftverek