Sadržaj se učitava...
mdi-home Početna mdi-account-multiple Djelatnici mdi-script Studiji mdi-layers Katedre mdi-calendar-clock Raspored sati FOI Nastava search apps mdi-login
Otkrivanje znanja u podacima
Knowledge Discovery in Data
2023/2024
6 ECTSa
Informacijski i poslovni sustavi 1.2 (IPS)
Katedra za razvoj informacijskih sustava
M3
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
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 Predavanja
Vježbe u praktikumu
15
15
2
2
1
1
Višnjić Dunja Suradnik Vježbe u praktikumu 15 2 1
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 stanje i trendove razvoja suvremenih informacijskih i komunikacijskih tehnologija (ICT), razumjeti njihov utjecaj na pojedinca, organizaciju i društvo te procijeniti njihovu primjenjivost u zadanom kontekstu
  • razumjeti i primijeniti ključne aspekte informacijske tehnologije (programiranje, algoritmi, strukture podataka, baze podataka i znanja
  • razumjeti i primijeniti suvremene tehničke koncepte i prakse u informacijskim tehnologijama (arhitektura računala, operacijski sustavi, mreže računala)
  • 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
  • analizirati stanje, identificirati prilike i definirati probleme s kojima se susreću organizacije i pojedinci u primjeni ICT, te formulirati rješenja uz primjenu ICT
  • razumjeti osnovna vertikalna područja primjene ICT (industrija, zdravstvo, promet, turizam, država i sl.), te horizontalne aplikacije (uredski sustavi, DSS, CRM, ERP, DMS i sl.)
  • razumjeti i primijeniti suvremene metodološke pristupe razvoja organizacijskih i informacijskih sustava, te oblikovanja organizacije i organizacijske strukture
  • razumjeti suvremene organizacijske koncepte i upravljati organizacijskom kulturom
  • modelirati poslovne procese i podatke u organizacijama i primijeniti modele u razvoju informacijskih i poslovnih sustava
  • razumjeti i primijeniti metode, tehnike razvoja informacijskih i programskih sustava u suvremenim razvojnim okolinama
  • razumjeti i primijeniti procese, metode i tehnologije upravljanja IT uslugama i resursima te podrške i pružanja različitih vrsta usluga vezanih uz ICT
  • razumjeti i primijeniti etička načela, zakonsku regulativu i norme koje se primjenjuju u struci
  • razumjeti osnovna načela i metode upravljanja organizacijom i uspješno raditi u timu
  • uspješno komunicirati s klijentima, korisnicima i kolegama na verbalan i pisani način uz primjenu odgovarajuće terminologije uključujući i sposobnost komunikacije o struci na stranom jeziku
  • pratiti stručnu literaturu na hrvatskom i stranom jeziku, pripremiti i samostalno održati prezentacije na hrvatskom i stranom jeziku stručnoj i općoj publici, te kritičku evaluaciju prezentirane stručne teme
  • razumjeti i primijeniti vještine učenja potrebne za cjeloživotno učenje i nastavak obrazovanja na diplomskom studiju.
  • razumjeti i primijeniti osnovne principe planiranja i razvoja karijere u struci i vlastitih poduzetničkih poduhvata
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: 28.04.2025.
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.
2024 © Fakultet organizacije i informatike, Centar za razvoj programskih proizvoda