FOI nastava
FOI logo

Lista kolegija iz:

ak.god:
2019/2020
semestar:
6. semestar

2019/2020

4ECTSa

Preddiplomski

Ekonomika poduzetništva v1.1

Program Obavezan
Ekonomika poduzetništva EP Ne
6. semestar
3. nastavna godina

Otkrivanje znanja u podacima npp:128690

Engleski naziv

Data Mining

Katedra

Katedra za razvoj informacijskih sustava

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.

Nastava

Predavanje
30sati
Laboratorijske vježbe
15sati

Ishodi učenja predmeta

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

Ishodi učenja programa

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

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.

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.

Preduvjeti

  • Statistika
    Cilj je ovog predmeta osposobiti studente za uporabu temeljnih metoda deskriptivne statistike i odabranih metoda inferencijalne statistike u području ekonomije i poslovne ekonomije. Naglasak je na primjenama te uporabi programske potpore.
Nastavnik Oblik nastave Tjedana Sati tjedno Grupa
Kliček Božidar Predavanje 3 2 1
Oreški Dijana Laboratorijske vježbe 15 1 1
Predavanje 3 2 1
Nema definiranih ispitnih rokova

Otkrivanje znanja u podacima - Redovni studenti

Studij: Ekonomika poduzetništva
Akademska godina: 2019/2020

Praćenje rada studenata

Elementi praćenjaBodova
Projekt45
Kolokviji30
Zadaci na vježbama25
ZBROJ100


Bodovna skala ocjena

OdDoOcjena
0 49 nedovoljan (1)
50 60 dovoljan (2)
61 75 dobar (3)
76 90 vrlo dobar (4)
91 100 odličan (5)



Kolokviji

Naziv / Tjedan 1234567891011121314151617 1. razdoblje
udio (%)
2. razdoblje
udio (%)
3. razdoblje
udio (%)
Trajanje Pismeni Usmeni
Kolokvij 1 + 100.0
Kolokvij 2 + 100.0


Opis elemenata praćenja

Elementi praćenja Bodovi Uvjet Opis Nadoknada
Granica Opis Rok
Projekt 45 20 Projekt čiju temu student bira među ponuđenim temama od strane nastavnika ili sam predlaže temu. Student treba samostalno ili u timu izraditi, dokumentirati i obraniti projekt. Projekt se može braniti tijekom 3. nastavnog i 3. međuispitnog razdoblja. Korištenje tuđeg rješenja/plagijat je zabranjeno te povlači disciplinsku odgovornost.
Kolokviji 30 10 Rješavanje zadataka uz dodatak teoretskih pitanja otvorenog ili zatvorenog tipa. Kolokvij se rješava na Moodleu.
Prepisivanje je zabranjeno te povlači disciplinsku odgovornost.
Zadaci na vježbama 25 0 Student treba samostalno riješiti zadatak tijekom laboratorijskih vježbi (ili nadoknaditi kod kuće) i postaviti na moodle unutar zadanog roka. Rješenja zadaća provjeravaju se tijekom laboratorijskih vježbi ili preko sustava za e-učenje.


Otkrivanje znanja u podacima - Izvanredni studenti

Studij: Ekonomika poduzetništva
Akademska godina: 2019/2020

Praćenje rada studenata

Elementi praćenjaBodova
Projekt50
Kolokviji50
ZBROJ100


Bodovna skala ocjena

OdDoOcjena
0 49 nedovoljan (1)
50 60 dovoljan (2)
61 75 dobar (3)
76 90 vrlo dobar (4)
91 100 odličan (5)



Kolokviji

Naziv / Tjedan 1234567891011121314151617 1. razdoblje
udio (%)
2. razdoblje
udio (%)
3. razdoblje
udio (%)
Trajanje Pismeni Usmeni
Kolokvij + 50.0 50.0


Opis elemenata praćenja

Elementi praćenja Bodovi Uvjet Opis Nadoknada
Granica Opis Rok
Projekt 50 20 Rješavanje zadataka uz dodatak teoretskih pitanja otvorenog ili zatvorenog tipa. Kolokvij se rješava na Moodleu.
Prepisivanje je zabranjeno te povlači disciplinsku odgovornost.
Kolokviji 50 20 Projekt čiju temu student bira među ponuđenim temama od strane nastavnika ili sam predlaže temu. Student treba samostalno ili u timu izraditi, dokumentirati i obraniti projekt. Projekt se može braniti tijekom 3. nastavnog i 3. međuispitnog razdoblja. Korištenje tuđeg rješenja/plagijat je zabranjeno te povlači disciplinsku odgovornost.


Nema podataka o rasporedu
Copyright © 2015 FOI Varaždin. All Rights Reserved. Sva prava pridržana.
Povratak na vrh