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

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Adatelemzési szoftverek

    A tantárgy angol neve: Data Analysis Tools

    Adatlap utolsó módosítása: 2018. június 27.

    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 Dr. Magyar Gábor Béla, Távközlési és Médiainformatikai Tanszék
    4. A tantárgy előadója Dr. Magyar Gábor egyetemi docens TMIT
    5. A tantárgy az alábbi témakörök ismeretére épít Adatkezelés
    6. Előtanulmányi rend
    Kötelező:
    Training.Code=("5N-A9")

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

    A kötelező előtanulmányi rendek grafikus formában itt láthatók.

    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 óra56
    Félévközi készülés órákra34
    Felkészülés zárthelyire20
    Házi feladat elkészítése
    Kijelölt írásos tananyag elsajátítása
    Vizsgafelkészülés40
    Összesen150
    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