Adatbányászati alkalmazások
A tantárgy angol neve: Data Mining Applications
Adatlap utolsó módosítása: 2009. november 12.
Tantárgy lejárati dátuma: 2015. június 30.
Mérnök informatikus szak
Villamosmérnöki szak
Szabadon választható tantárgy
Algoritmuselméleti alapok
A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.
A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.
Nincs.
Nem vehetik fel, akik hallgatták a vitmav16 (Adatbányászati alkalmazások) tárgyat
A tárgy célja, hogy a hallgató számára felvázolja az algoritmikus adatbányászat alkalmazási módszereit, ezáltal olyan gondolkodásmódot adjon a hallgatónak, aki maga is képes lesz az adatbányászat alkalmazhatóságát egy-egy területen felismerni. A tárgy nem az algoritmusok működésére, hanem azok rendszerszintű használatára fókuszál.
1. hét
Bevezetés a tudásfeltárás folyamatába, az adatbányászat kialakulását indukáló körülmények, vásárlói kosár modell ismertetése, termékhalmaz gyakorisága, asszociációs szabály intuitív bevezetése, mohó eljárás és hatékonyságának vizsgálata.
2. hét
Mohó algoritmus továbbfejlesztése gyakori termékhalmazok keresésére, szintenként haladó eljárás, APRIORI elv és felhasználása, jelöltállítás és törlés, APRIORI algoritmus felvázolása, leállási feltételei. Asszociációs szabályok formális bevezetése. Adatbányászat definíciója, összevetés más tudományterületekkel. Alkalmazási területek hipermarketekben, bevásárlói kártyák, gyakori szekvenciák fogalma.
3. hét
CRISP-DM metodika bevezetése, lépései. Távközlési területen használt adatbányászati megoldások, lemorzsolódás CRISP-DM alapú bemutatása, adatforrások, adatminőség, adatelőkészítés, modellezési igény, osztályozási feladat bevezetése, döntési fák.
4. hét
Ügyfélszegmentáció, klaszterezés irányelvei és célfüggvénye, szegmentáció a távközlési területen. Klaszterezés és az osztályozás összevetése. Kapcsolati hálók elemzésének lehetőségei. K-közép és K-medoid eljárások bevezetése, tulajdonságaik. Klaszterek értelmezése osztályozási technikákkal.
5. hét
Üzleti intelligencia és az adatbányászat kapcsolata. Adatbányászati alkalmazások banki és biztosítói környezetben. Regressziós technikák és a regresszió alapfeladatának összevetése a klaszterezéssel és az osztályozással. Scorecardok, hitelbírálat. Hitelbírálat speciális adattorzulási környezetének eliminálása.
6. hét
Webes adatbányászati alkalmazások. A webes alkalmazhatóság három területének áttekintése, webes adatforrások, adatminőség, adatelőkészítés, felhasználó azonosítás kérdései. Mintakeresés weblog adatokban. Felhasználó-viselkedés elemzése.
7. hét
Adatbányászati és üzleti intelligencia piac áttekintése, trendek bemutatás. Sikeres adatbányászat kritériumai, az eddig bemutatott területek alkalmassága. Modellezés eredményének visszamérése, találati pontosság, megbízhatósági érték, ROC görbe, AUC.
8. hét
Zh írás
Adatbányászati szoftverek és szoftverszállítók, piaci körkép, eszközök képességeinek rövid bemutatása, költségek, integrálhatóság.
9. hét
Ajánlattevő rendszerek alapjainak áttekintése, tartalom alapú és felhasználói szokásokon alapuló rendszerek összevetése. Az ajánlattevő rendszereknél felmerülő adatbányászati problémák (hidegindítás, beszűkülés stb.) bemutatása. Feature selection és extraction módszerek.
10. hét
Nyomkövetés és beltéri helymeghatározás adatbányászati kérdései. Az RFID technológia alapjainak ismertetése, és felhasználási lehetőségei. Pozícionálási algoritmusok. A k legközelebbi szomszéd algoritmus, dimenziók átka.
11. hét
Tőzsdei adatok elemzése, idősorok adatbányászatának aspektusai. Perceptron modell. Neurális hálózatok alapjainak áttekintése, négyzetes hibafüggvény és gradiens módszerek, a neurális hálózatok összevetése az eddig bemutatott osztályozó módszerekkel.
12. hét
Együttes osztályozó rendszerek, bagging és boosting technikák, szavazó stratégiák bemutatása. Orvosi adatok elemzése adatbányászati módszerekkel (esettanulmány).
13. hét
Esettanulmányok bemutatása a CRISP-DM módszertan lépésein keresztül: gyalogos-felismerés képek alapján, gesztusfelismerés mobilba épített gyorsulásmérő segítségével.
14. hét
Zh pótlás, elővizsga
Előadás
Sikertelen zárthelyi a szorgalmi időszakban a pótzárthelyin pótolható. A sikertelen (pót)zárthelyi a pótlási héten különeljárási díj ellenében egy további alkalommal pótolható.
Igény szerint, az oktatóval egyeztetve.