BME VIK - Adatbányászati alkalmazások

3. A tantárgyfelelős személy és tanszék Dr. Henk Tamás,

4. A tantárgy előadója

Név:	Beosztás:	Tanszék, Int.:
Dr. Henk Tamás	docens	TMIT
Gáspár-Papanek Csaba	ügyvivő szakértő	TMIT

5. A tantárgy az alábbi témakörök ismeretére épít Nincs

6. Előtanulmányi rend

Ajánlott:

Előtanulmányok nem szükségesek. Az Adatbányászati technológiák vitmav67 című választható tárgy korábbi vagy leendő hallgatói számára IS ajánljuk.

7. A tantárgy célkitűzése

A tárgy célja, hogy alkalmazási példákon keresztül a hallgatókkal megismertesse a tudáskinyerés folyamatát. Az egyes alkalmazásterületek tárgyalása során felmerülő adatbányászati problémákat ismertetjük, és a legfontosabb esetekben mutatjuk be a problémát megoldó algoritmuscsaládot is. Ez a felépítés lehetővé teszi, hogy az egyes adatbányászati algoritmusokat rögtön gyakorlati szempontból vizsgálhassuk.

Az alkalmazási területek kiterjednek a hagyományos kereskedelem, az elektronikus üzleti megoldások, a távközlési, banki és biztosítási szolgáltatások területére.

Fontos megjegyezni, hogy a részletesen bemutatott eljárásokat úgy választottuk ki, hogy a tárgy újdonságokról szóljon annak is, aki őszi félév során elvégezte az Adatbányászati technológiák vitmav67 című választható tárgyat.

8. A tantárgy részletes tematikája

Bevezetés a tudásfeltárás folyamatába
Az adatbányászat folyamata, az esettanulmányok formai kerete
Előfeldolgozási kérdések
Marketing-központú adatbányászati alkalmazások
CRM rendszerek (Regresszió)
Ügyfél és termékszegmentálás (Klaszteranalízis)
Webes adatbányászati alkalmazások

Fejlett alapstatisztikák vizsgálata
Weblog analízis, automatikus ajánlattevő rendszerek (gyakori mintázatok webes környezetben, asszociációs szabályok)

Webes felhasználói modellek (Modell alkotás és illesztés)
Webes szövegbányászati feladatok

Távközlési hívásadatok elemzése

Lemorzsolódás előrejezés (Osztályozási kérdések)
Ügyfélkör és díjcsomag szegmentálás
Hívásgráfok analízise (Szociális hálózatok)

További alkalmazási területek

Döntéstámogató rendszerek banki, biztosítási rendszerekben
Csalásdetektálás

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

előadás

10. Követelmények

A szorgalmi időszakban: a félév közepén egy zárthelyi dolgozat.
Fakultatívan: számítógépes feladatok, beadható házi feladatok
A vizsgaidőszakban: sikeres zárthelyi esetén szóbeli vizsga
Elővizsga: kellő számú beadott házi feladat és/vagy számítógépes munka esetén

11. Pótlási lehetőségek

Ha a hallgató nem tud bejárni az előadásokra, akkor javasoljuk, hogy beszélje meg az előadóval az egyéni felkészülés lehetőségeit.

Az elmulasztott zárthelyi dolgozat szóbeli beszámolóval pótolható.

12. Konzultációs lehetőségek

Az előadóval történő egyéni egyeztetés alapján.

13. Jegyzet, tankönyv, felhasználható irodalom

Hand-Mannila-Smyth: Principles of Data Mining. MIT Press, 2001
Hastie-Tibshirani-Friedman: The Elements of Statistical Learning. Data Mining, Inference and Prediction. Springer 2001
Han-Kamber: Data Mining. Concepts and Techniques. Morgan Kaufmann Publishers, 2001
Bodon Ferenc: Adatbányászati algoritmusok (elektronikusan elérhető tanulmány)

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

Kontakt óra	30
Félévközi készülés órákra	15
Felkészülés zárthelyire	10
Házi feladat elkészítése	15
Vizsgafelkészülés	20
Összesen	90

15. A tantárgy tematikáját kidolgozta

Név:	Beosztás:	Tanszék, Int.:
Maricza István	tud. s.munkatárs	TMIT
Gáspár-Papanek Csaba	ügyv. szakértő	TMIT