FOI Nastava - Otkrivanje znanja u podacima

Sadržaj se učitava...

FOI Nastava

apps

mdi-login

Otkrivanje znanja u podacima

Knowledge Discovery in Data
2022/2023

6 ECTSa

Informacijski i poslovni sustavi 1.2 (IPS)

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
Informacijski i poslovni sustavi 1.2 (IPS)	Umjetna inteligencija u poslovanju	6	obavezan

Cilj kolegija

Cilj predmeta je upoznavanje temeljnih principa procesa otkrivanja znanja u podacima; upoznavanje tehnika i algoritama te alata za tu namjenu; način primjene u poslovanju, i znanosti. Kroz ovaj predmet treba se stvoriti teorijsko znanje principa otkrivanja znanja u podacima i njihovih najznačajnijih tehnika, što treba omogućiti kompetencije studenata u rješavanju konkretnih kompleksnih problema praktične primjene.

Preduvjeti

Matematika 2 (IPS 1.2)
Baze podataka 1 (IPS 1.2)
Statistika i vjerojatnost (IPS 1.2)

Norma kolegija

Predavanja

30 sati

Vježbe u praktikumu

30 sati

Nastavnik	Uloga na kolegiju	Oblik nastave	Tjedana	Sati	Grupa
Kliček Božidar	Nositelj
Oreški Dijana	Nositelj
Višnjić Dunja	Suradnik

Sadržaj predavanja

Uvod. (3 sata)
Pregled područja: svrha, nužnost i izazovi. Proces otkrivanja znanja: glavne faze, poslovni problemi, razumijevanje i priprema podataka, postavljanje traženja znanja, traženje znanja, pročišćavanje znanja, primjena znanja za poslovne probleme, primjena. Ilustrativni primjer.
CRISP DM proces. (4 sata)
Koraci procesa otkrivanja znanja u podacima primjenom standarda CRISP DM: razumijevanje domene, razumijevanje podataka, priprema podataka, modeliranje, evaluacija i korištenje.
Razumijevanje podataka. (2 sata)
Tipovi varijabli. Vrste distribucije podataka.
Priprema podataka. (6 sati)
Čišćenje podataka. Identifikacija stršila. Rad s nedostajućim vrijednostima. Redukcija dimenzionalnosti: ekstrakcija atributa i selekcija atributa. Tehnike selekcije atributa.
Deskriptivno modeliranje. (2 sata)
Algoritam klasteriranja.
Prediktivno modeliranje. (10 sati)
Metode rudarenja podataka za klasifikaciju: opis postupka, metodologija. Stabla odlučivanja, tehnike C4.5, klasifikacijska i regresijska stabla, napredne metode. Pravila: sekvencijalne metode. Pristupi najbližeg susjeda. Regresijske metode: empirijske, kvadratno diskriminantne, logistička regresija. Asocijacijska pravila. Stablo odlučivanja. K-najbližih susjeda.
Evaluacija modela. (3 sata)
Pristupi evaluaciji modela. Matrica konfuzije. K-fold unakrsna validacija.

Sadržaj seminara/vježbi

Ishodi učenja kolegija

Prepoznati vrste podataka s obzirom na mjernu skalu.
Interpretirati rezultate statističke analize u kontekstu postavljenih pitanja koristeći rječnik primjeren kontekstu zadatka, a ne statistički rječnik.
Primijeniti metode regularizacije na sustavu za strojno učenje kako bi se izbjegla prekomjerna specijalizacija modela (overfitting).
Primijeniti različite metode strojnog učenja poput neuronskih mreža, automata s potpornim vektorima, stabla odlučivanja, Bayesovih mreža, genetičkih algoritama i drugih u kontekstu poslovnih informacijskih sustava.
Osmisliti proces otkrivanja znanja u podacima na konkretnom problemu u određenoj domeni.
Primijeniti metode linearne regresije, stabla odlučivanja i ostale standardne metode rudarenja podataka u sustavima za strojno učenje.
Vrednovati procese otkrivanja znanja u podacima primjenom nekoliko metoda validacije.

Ishodi učenja programa

razumjeti i primijeniti matematičke metode, modele i tehnike primjerene rješavanju problema iz područja informacijskih i poslovnih sustava
razumjeti bitne čimbenike koji utječu na poslovanje organizacije i pojedinaca te primijeniti osnovne metode i koncepte planiranja, upravljanja i obračuna poslovanja
modelirati poslovne procese i podatke u organizacijama i primijeniti modele u razvoju informacijskih i poslovnih sustava

Osnovna literatura

Larose, D. T. (2015). Data mining and predictive analytics. John Wiley & Sons.
Kotu, V., & Deshpande, B. (2014). Predictive analytics and data mining: concepts and practice with rapidminer. Morgan Kaufmann.
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.

Dopunska literatura

Slični kolegiji

Redoviti studenti

Izvanredni studenti

izvanredni rok

Datum: 24.04.2026.

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.