FOI Nastava - Otkrivanje znanja u podacima

Sadržaj se učitava...

FOI Nastava

apps

mdi-login

Otkrivanje znanja u podacima

Data Mining
2021/2022

4 ECTSa

Ekonomika poduzetništva 1.1 (EP)

Katedra za razvoj informacijskih sustava

6. semestar

Osnovne informacijemdi-information-variant

Izvođači nastavemdi-account-group

Nastavni plan i programmdi-clipboard-text-outline

Model praćenjamdi-human-male-board

Ispitni rokovimdi-clipboard-check-outline

Rasporedmdi-calendar-clock

Konzultacijemdi-account-voice

Izvođenje kolegija

Studij	Studijski program	Semestar	Obavezan
Ekonomika poduzetništva 1.1 (EP)		6	izborni

Cilj kolegija

Stjecanje kvalitetnog znanja za razumijevanje i primjenu otkrivanja znanja u podacima u ekonomici; upoznavanje temeljnih principa otkrivanja znanja u podacima; upoznavanje tehnika i algoritama; upoznavanje temeljnih vještina otkrivanja podataka preko alata i primjera; razumijevanje tipičnih primjera primjene.

Preduvjeti

Statistika (EP 1.1)

Norma kolegija

Predavanja

30 sati

Vježbe u praktikumu

15 sati

Nastavnik	Uloga na kolegiju	Oblik nastave	Tjedana	Sati	Grupa
Kliček Božidar	Nositelj	Predavanja	12	2	1
Oreški Dijana	Suradnik	Predavanja	3	2	1
Višnjić Dunja	Suradnik	Vježbe u praktikumu	15	1	2

Sadržaj predavanja

Uvod
Pregled osnovnih prednosti područja: svrha, nužnost i izazovi. Primjena otkrivanja znanja u podacima u ekonomici: marketing, prodaja, bankarstvo, odnosi s klijentima, planiranje.
Koraci procesa otkrivanja znanja
Proces otkrivanja znanja: glavne faze, poslovni problemi, razumijevanje i priprema podataka, postavljanje traženja znanja, traženje znanja, pročišćavanje znanja, primjena znanja za poslovne probleme, primjena.
Pristupi procesu otkrivanja znanja
Multidisciplinarni pristupi: temelji, opći znanstveni pristup, logika (induktivni I deduktivni sustavi), filozofija znanosti, statistika, teorija informacija, baze podataka, umjetna inteligencija i strojno učenje.
Tipovi podataka i karakteristike podataka
Tipovi i oblici podataka: tablice, vremenski i prostorno ovisni podaci, tekstualni podaci, meta podaci. Podaci i znanje u bazama podataka: relacijske baze podataka, objektno orijentirane, multimdimenzionalne baze i OLAP, deduktivne baze, paralelne baze, distribuirane i heterogene baze, upravljanje meta podacima.
Tehnike prikaza znanja
Vrste znanja: tablice, grupe, pravila, stabla odlučivanja, funkcijski odnosi, klasteri, taksonomije i koncepti hijerarhija, probabilističke mreže, neuronske mreže.
Uloga statističkih metoda u otkrivanju znanja
Repetitorij temeljnih statističkih metoda. Primjena u procesu otkrivanja zakonitosti u podacima.
Standardi procesa otkrivanja zakonitosti u podacima
Metodologija CRISP-DM. Koraci metode: razumijevanje poslovnog sustava, podaci, priprema podataka, modeliranje, evaluacija, dostavljanje rezultata. Skladištenje podataka (data warehousing): identifikacija i čišćenje podataka, tehnike prikupljanja podataka, redukcija podataka, vizualizacija podataka.
Metode rudarenja podataka I
Otkrivanje znanja u podacima i rudarenje podataka (data mining): odnos pojmova. Klasifikacija: opis postupka, metodologija. Stabla odlučivanja, tehnike C4.5, klasifikacijska i regresijska stabla, napredne metode.
Metode rudarenja podataka II
Pravila: sekvencijalne metode. Bayesova klasifikacija. Pristupi najbližeg susjeda. Regresijske metode: empirijske, kvadratno diskriminantne, logistička regresija, multivarijantna analiza. Neuronske mreže. Višekriterijska klasifikacija. Otkrivanje pravila: pristup izrazitih skupova, karakteristična parvila, asocijacijska pravila, pristupi induktivnog logičkog programiranja.
Metode rudarenja podataka III
Metode čišćenja podataka i selekcije atributa. Otkrivanje podgrupa: razlog za analizu podgrupa, analiza devijacija, analiza promjena, metoda bušenja (OLAP, temeljeno na znanju). Podešavanje formula: provjera ovisnosti među varijablama, pronalaženje jedne i više formula, korištenje a priori znanja. Multidimenzionalna regresijska analiza: specifikacija modela, prilagođavanje modela.
Metode rudarenja podataka IV
Klasterifikacija: konceptualna klasterifikacija. Probabilističke i kauzalne mreže. Analize za vjerojatnostne mreže: uvod, Bayesov pristup za nesigurnost modela. Paralelne metode. Provjera točnosti modela.
Specijalne metode rudarenja podataka
Analiza društvenih mreža. Rudarenje teksta. Otkrivanje znanja u tekstualnim podacima: jedinstveni problemi teksta, alternativni prikazi teksta, termini, teksonomija, pronalaženje asocijativni pravila iz izbora dokumenata. Rudarenje na Webu.
Primjena otkrivanja znanja u podacima u ekonomici I
Primjena u marketingu i upravljanju odnosima s klijentima: uloga u životnom ciklusu klijenata: prikupljanje klijenata, određivanje potencijalnih klijenata, izbor optimalnog kanala za komunikaciju, aktiviranje, upravljanje odnosima, napuštanje klijenata. Optimiranje marketinških kampanja. Predikcija budućih odnosa.
Primjena otkrivanja znanja u podacima u ekonomici II
Određivanje kreditnog rizika. Vezana prodaja. Sustavi za preporuku klijentima. Upravljanje vjernošću kupaca: predikcija napuštanja (tko i kada). Pronalaženje novosti u populaciji klijenata: segmentacija i klasteriranje. Analiza potrošačke košarice, asocijacijska pravila i vezana prodaja.
Primjena otkrivanja znanja u podacima u ekonomici III
Društvene mreže i društveni marketing. Analiza teksta i primjena u određivanju stavova klijenata. Uloge u planiranju.

Sadržaj seminara/vježbi

Ishodi učenja kolegija

Analizirati poslovne podatke
Primijeniti proces otkrivanje znanja u podacima za rješavanje različitih problema u poduzetništvu
Primijeniti metode i tehnike rudarenje podataka
Interpretirati rezultate dobivene tehnikama rudarenja podataka
Primijeniti dobivene zakonitosti u vrednovanju rezultata poslovanja

Ishodi učenja programa

Primijeniti vještine učenja potrebne za cjeloživotno učenje i nastavak obrazovanja na višim razinama studija
Primijeniti matematičke i statističke metode i tehnike primjerene rješavanju problema iz područja ekonomije i poslovanja
Primijeniti informatička znanja i koristiti suvremenu informacijsku tehnologiju u pristupu informacijama, korištenju poslovnih aplikacija i provođenju poslovnih procesa
Sudjelovati u timskom radu

Osnovna literatura

Berry, M., Linnof, G. Data mining techniques: for marketing, sales, and customer relationship management. Wiley, Indianapolis, 2011.
Han, J., Kamber, M., Pei J. Data mining: concepts and techniques. Morgan Kaufmann, San Francisco, 2011.

Dopunska literatura

Data mining and knowledge discovery handbook. Editors: Oded Maimon, Lior Rokach. Springer, New York, 2005.
Bramer, M. A. Principles of data mining. Springer, London, 2007.
Chapman P., Clinton J., Kerber R., Khabaza T., Reinartz T., Shearer C., Wirth R. CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc. 2000.

Slični kolegiji

Redoviti studenti

Izvanredni studenti

izvanredni rok

Datum: 20.04.2026.

Vrijeme: 16:00

Opis: Na Fakultetu

U kalendaru ispod se nalaze konzultacije predmetnih nastavnika, no za detalje o konzultacijama možete provjeriti na profilu pojedinog predmetnog nastavnika.