Osnovne informacijemdi-information-variantIzvođači nastavemdi-account-groupNastavni plan i programmdi-clipboard-text-outlineModel praćenjamdi-human-male-boardIspitni rokovimdi-clipboard-check-outlineRasporedmdi-calendar-clockKonzultacijemdi-account-voice
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.
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 studentiIzvanredni 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.