BME VIK - Adatbányászat laboratórium

3. A tantárgyfelelős személy és tanszék Dr. Pintér Márta,

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 rend az adott szak honlapján és képzési programjában található.

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 óra	28
Félévközi készülés órákra	32
Felkészülés zárthelyire	0
Házi feladat elkészítése	0
Kijelölt írásos tananyag elsajátítása	0
Vizsgafelkészülés	0
Összesen

15. A tantárgy tematikáját kidolgozta

Név:	Beosztás:	Tanszék, Int.:
Dr. Bodon Ferenc	egyetemi tanársegéd	SZIT
Dr. Pintér Márta	egyetemi docens	SZIT