Získavanie znalosti výpočtovou inteligenciou
- Kredity: 4
- Ukončenie: Skúška
- Rozsah: 2P + 2C
- Semester: letný
- Fakulta hospodárskej informatiky
Vyučujúci
Zaradený v študijných programoch
Výsledky vzdelávania
Výstupy vzdelávania po absolvovaní predmetu
Znalosti (vedomosti)
A. Pochopiť význam prípravy dát pre úlohy získavania vedomostí z dát a jej vplyv na kvalitu výsledkov.
B. Pochopiť význam štyroch hlavných problémov dolovania informácií z dát: klasifikácie, zhlukovania, asociačných pravidiel a detekcie extrémnych (outlier) hodnôt.
C. Pochopiť princípy výpočtovej inteligencie a strojového učenia a oblasti ich aplikovania.
D. Poznať softvérové prostredia a programovacie jazyky používané vo výpočtovej inteligencii a strojovom učení.
F. Získať prehľad o význame, prínosoch a problémoch výpočtovej inteligencie a strojového učenia.
G. Pochopiť prístupy k dosahovaniu vysvetliteľnosti výsledkov analytických a modelovacích metód.
Zručnosti
E. Logicky agregovať atomické požiadavky pre potreby získavania vedomostí z dát.
H. Aplikovať získané poznatky a zručnosti pri riešení praktických úloh v oblasti dolovania dát a získavania vedomostí.
I. Pracovať samostatne aj v tíme s vybraným softvérom určeným na riešenie úloh získavania poznatkov z dát.
Kompetentnosti
H. Samostatne a zodpovedne aplikovať metódy dolovania dát, výpočtovej inteligencie a strojového učenia pri riešení praktických problémov.
I. Efektívne spolupracovať v tíme pri riešení komplexných úloh získavania vedomostí z dát a niesť zodpovednosť za kvalitu analytických výstupov.
Stručná osnova predmetu
1. Úvod do data mining (princípy, vysvetlenie základných pojmov a význam data minigu v získavaní vedomosti z dát).
2. Úvod do výpočtovej inteligencie a strojového učenia pre potreby získavania a interpretovania vedomosti z dát.
3. Dátové typy, vlastnosti a konverzia.
4. Mierky vzdialenosti a podobnosti, význam a metódy normalizácie v príprave dát pre úlohy získavania vedomosti z dát.
5. Kľúčové oblasti data miningu: Zhlukovanie, asociačné pravidlá, klasifikácia, detekcia extrémnych a izolovaných hodnôt.
6. Skúmanie softvérových prostredí MATLAB a WEKA a riešenia úloh v týchto softvéroch.
7. Práca s jazykom Python od prípravy dát po hodnotenie výsledku dáta miningu.
8. Typy neurónových sietí a klasifikácia neurónovými sieťami.
9. Modelovanie pravidlových systémov, odvodzovanie plavidlovými systémami a ich význam v získavaní poznatkov z dát.
10. Evolučné algoritmy a ich využitie v strojovom učení.
11. Modelovanie odporúčacích systémov na základe požiadaviek zákazníkov, podobnosti výrobkov (alebo služieb) a historických dát.
12. Automatické získavanie vedomostí z dát (vytvoriť prostredie pre dolovanie v dátach bez zásahu používateľa).
13. Interaktívne získavanie vedomostí z dát (vytvoriť prostredie, v ktorom používateľ zasahuje do procesu dolovania).
Odporúčaná literatúra
BRAMER, Max. Principles of data mining. London: Springer-Verlag, 2020.
AGGRAWAL, C. Data Mining: The Textbook. Cham: Springer, 2015
BERKA, Petr. Dobývání znalostí z databází. Praha: Academia, 2003.
SKALSKÁ, Hana. Data mining a klasifikační modely. Hradec Králové: Gaudeamus, 2010.
BRUNTON, S.L., KUTZ, J.N., Data-Driven Science and Engineering. Machine learning, Dynamical Systems and Control, Cambridge University press, 2019
NEGNEVITSKY, M. Artificial Intelligence A Guide to Intelligent Systems, Pearson, 2011
MARČEK, D., Neurónové siete a ich aplikácie, EDIS, 2006
NÁVRAT, P. a kol., Umelá inteligencia, STU, 2011
CHOLLET, F., Deep learning v jazyku Python, GRADA, 2019
PECINOVSKÝ, R., Python - Kompletní příručka jazyka pro verzi 3.8, GRADA, 2019
Sylabus predmetu
1. Úvodná časť sa venuje problematike data miningu, jeho základným princípom a terminológii. Zdôrazňuje sa význam data miningu v procese získavania vedomostí z dát a jeho uplatnenie v praxi. 2. Predmet uvádza základy výpočtovej inteligencie a strojového učenia v kontexte získavania a interpretovania vedomostí z dát. Rozoberá sa ich vzťah k data miningu a rozhodovacím procesom. 3. Pozornosť sa venuje dátovým typom a ich vlastnostiam. Rozoberajú sa postupy konverzie dát a ich význam pri príprave dát pre analytické úlohy. 4. Obsahom sú mierky vzdialenosti a podobnosti používané v data miningu. Zdôrazňuje sa význam normalizácie dát a jej metódy pri príprave dát na dolovanie. 5. Predmet sa zameriava na kľúčové oblasti data miningu. Rozoberajú sa úlohy zhlukovania, tvorby asociačných pravidiel, klasifikácie a detekcie extrémnych a izolovaných hodnôt. 6. Pozornosť sa venuje skúmaniu softvérových prostredí MATLAB a WEKA. Rozoberá sa riešenie vybraných úloh data miningu v týchto nástrojoch. 7. Predmet sa zameriava na prácu s jazykom Python v oblasti data miningu. Preberá sa celý proces od prípravy dát až po hodnotenie výsledkov dolovania. 8. Rozoberajú sa typy neurónových sietí a ich využitie pri klasifikácii dát. Zdôrazňuje sa princíp učenia neurónových sietí a interpretácia výsledkov. 9. Obsahom je modelovanie pravidlových systémov a odvodzovanie pravidlovými systémami. Zdôrazňuje sa ich význam pri získavaní poznatkov z dát. 10. Predmet sa venuje evolučným algoritmom a ich využitiu v strojovom učení. Rozoberajú sa základné princípy evolučného výpočtu a oblasti jeho aplikácie. 11. Pozornosť sa venuje modelovaniu odporúčacích systémov. Rozoberá sa využitie požiadaviek zákazníkov, podobnosti produktov alebo služieb a historických dát. 12. Predmet sa zameriava na automatické získavanie vedomostí z dát. Zdôrazňuje sa vytváranie prostredí pre dolovanie v dátach bez priameho zásahu používateľa. 13. Záverečná časť sa venuje interaktívnemu získavaniu vedomostí z dát. Rozoberá sa vytváranie prostredia, v ktorom používateľ aktívne zasahuje do procesu dolovania a ovplyvňuje jeho priebeh.
Podmienky na absolvovanie predmetu
Skúška 60% hodnotenia. Skúška pozostáva z dvoch častí: overenie teoretických vedomosti a konkrétnych úloh na riešenie. Teoretickou časťou sa overuje dosiahnutá úroveň výsledkov vzdelávania A., B., C., F., riešením problémových úloh sa overuje dosiahnutá úroveň výsledkov vzdelávania E., G.
Cvičenia 40% hodnotenia. Náplňou cvičení je vypracovanie a obhájenie projektu, na ktorom študenti pracujú v menších skupinách. Hodnotenie študentov zahŕňa výsledok projektu, odpovede na doplnkové otázky a krátky test. Hodnotením projektov a testov sa hodnotia nasledovné výsledky vzdelávania A., D., E., G., H., I.
Pracovné zaťaženie študenta
Pracovné zaťaženie študenta (v hodinách):
4 kreditov x 52 hodín = 130 hodín
Rozdelenie študijného zaťaženia:
Účasť na prednáškach a seminároch: 52 hodín
Príprava na semináre: 13 hodín
Príprava na projekt a test: 30 hodín
Príprava na skúšku: 35 hodín
Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu
slovenský jazyk / anglický jazyk
Dátum schválenia: 04.03.2025
Dátum poslednej zmeny: 04.01.2026
Dátum schválenia: 04.03.2025
Dátum poslednej zmeny: 04.01.2026

