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

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Adatelemzési platformok

    A tantárgy angol neve: Data Analytics Platforms

    Adatlap utolsó módosítása: 2014. október 3.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Mérnökinformatikus szak, MSc képzés

    Adat- és médiainformatikai mellékspecializáció  

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VITMMA05 1 2/1/0/f 4  
    3. A tantárgyfelelős személy és tanszék Dr. Magyar Gábor Béla, Távközlési és Médiainformatikai Tanszék
    4. A tantárgy előadója

     Gáspár Csaba

     egyetemi tanársegéd

     BME-TMIT

     Nagy István

     tanszéki mérnök

     BME-TMIT

     Prekopcsák Zoltán

     tanszéki mérnök

     BME-TMIT

    5. A tantárgy az alábbi témakörök ismeretére épít Alapvető matematikai és algoritmuselméleti ismeretek
    6. Előtanulmányi rend
    Kötelező:
    NEM ( TárgyEredmény( "BMEVITMM139" , "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVITMM139", "FELVETEL", AktualisFelev()) > 0)

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

    A kötelező előtanulmányi rendek grafikus formában itt láthatók.

    Ajánlott:
    nincs
    7. A tantárgy célkitűzése Rendszereinkből kinyerhető adatok mennyiségének növekedésével, a tárolási költségek csökkenésével egyre nagyobb az igény az adatokból kinyerhető összefüggések, tudás kiaknázására. A tárgy elsődleges célja, hogy a hallgatók készség szinten legyenek képesek adatbányászati feladatok megfogalmazására és valós adathalmazok felett ilyen problémák megoldására. Ehhez a tárgy nemcsak az adatbányászat, a gépi tanulás, az adatelemzés elvi hátterét mutatja be, hanem vizuális programozási metodikát használó adatbányászati szoftvereket, platformokat is ismertet, külön figyelmet szentel a ’big data’ elemzési feladatokra megoldást jelentő Hadoop platform bemutatására. Az elméleti hátteret alkalmazási területekhez köthetően, valós adathalmazokon végzett elemzési feladaton keresztül mutatja be. Az alkalmazási területek felölelik az üzleti élethez köthető legfontosabb adatelemzési, adatbányászati problémaköröket, mint az elvándorlás előrejelzés, marketing kampánytámogatás, kockázatbecslés.
    8. A tantárgy részletes tematikája

    Adatbányászat legújabb trendjei, CRISP-DM (Cross Industry Standard Process for Data Mining) metodika. Osztályozási feladat távközlési hívásadatok churn (lemorzsolódás, elvándorlás) rendszerében.

    Hitelbírálati rendszer bemutatása, scoring technika, mintavételezés. Ügyfélérték fogalma.

    Bankkártya adatok, keresztértékesítés iránya, a sikeres adatbányászat 6 feltétele.

    Ügyfélszegmentálás, klaszterező eljárások, k-közép és k-medoid algoritmus

    Kampányoptimalizáció. Biztosítási adatokon történő adatelemzés. Kombinált adatbányászati eljárások, együttes osztályozók

    A hálózatelemzés alapjai, hálózat alapú előrejelzés, fertőzési modellek felhasználása

    Közösségi hálók hálózati elemzése adatbányászat segítségével.

    Társadalmi, környezeti adatok gyűjtése és feldolgozása.

    Adattranszformációs és adatmanipulációs lehetőségek és vizuális adatelemzés: adattípusok, adatelemzési problémák áttekintése, visszamérési módszerek.

    Adatelőkészítési módszerek: adattisztítási módszerek, adatintegrációs és transzformációs technikák, adatredukciós módszerek, diszkretizációs technikák.

    Osztályozási problémák megoldása: döntési technikák, példányalapú mószerek. Metatanuló módszerek.

    Klaszterezés és outlier keresés: hasonlósági és távolsági mértékek, particionáló módszerek, hierarchikus klaszterezők, sűrűség alapú klaszterezők, outlier keresési technikák.

    Idősoros adatok feldolgozása: lineáris és nem-lineáris módszerek, regressziós fák.

    A nagy adat (Big Data) jelensége és fogalma, szerepe. Az Apache Hadoop platform bemutatása.

    Elosztott adattárolás és elemzések MapReduce alapokon. MapReduce programozási minták.

    Lekérdezési módszerek és programnyelvek nagy adatok esetén (Hive, Pig). Big Data esettanulmányok.

     

    Gyakorlati órák tématerületei:

    Hitelbírálati feladat adatbányászati megoldása
    Keresztértékesítés
    Távközlési cég ügyfeleinek elvándorlás (churn) előrejelzése
    Kampányoptimalizáció biztosítási környezetben
    Vásárlói kártya adatok adatbányászati feldolgozása
    Big Data megoldásokhoz kapcsolódó Hadoop alapú technológiák

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Előadás és gyakorlat
    10. Követelmények

    A szorgalmi időszakban: 1 db házi feladat és 1 db zárthelyi dolgozat

    A kredit-megszerzés feltétele a nagyházi feladat (beleértve a pótló nagyházit is: lásd a következő pontban) és a zárthelyi dolgozat legalább elégséges szintre történő megírása. A félévközi érdemjegy a zárthelyi és a házi feladat osztályzatainak átlaga.

    11. Pótlási lehetőségek Sikertelen zárthelyi egy alkalommal (pótZH vagy pót-pótZH alkalmával) pótolható. A házi feladat pótlólagos beadása a pótlási időszakban lehetséges.
    12. Konzultációs lehetőségek A tárgy előadójával személyesen, vagy e-mailben egyeztetett időpontban
    13. Jegyzet, tankönyv, felhasználható irodalom

    Dr. Abonyi János: Adatbányászat a hatékonyság eszköze, Computerbooks, Budapest 2006 

    Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, Wiley-Interscience, 2004.

    Bodon Ferend, Búza Krisztián: Adatbányászat (folyamatosan bővülő elektronikus jegyzet), 2013

    Donald Miner, Adam Shook: MapReduce Design Patterns: Building Effective Algorithms and Analytics for Hadoop and Other Systems, O’Reilly, 2012
    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra42
    Félévközi készülés órákra15
    Felkészülés zárthelyire 
    Házi feladat elkészítése33
    Kijelölt írásos tananyag elsajátítása 
    Vizsgafelkészülés30
    Összesen120
    15. A tantárgy tematikáját kidolgozta

     Dr. Szűcs Gábor

     egyetemi docens

     BME-TMIT

     Dr. Magyar Gábor

     egyetemi docens

     BME-TMIT

     Gáspár Csaba

     egyetemi tanársegéd

     BME-TMIT

     Nagy István

     tanszéki mérnök

     BME-TMIT

     Prekopcsák Zoltán

     tanszéki mérnök

     BME-TMIT

     Kazi Sándor

     doktorandusz

     BME-TMIT