PV056 Machine Learning and Data Mining

Fakulta informatiky
jaro 2025
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučováno kontaktně
Vyučující
doc. RNDr. Jan Sedmidubský, Ph.D. (přednášející)
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Ondřej Sotolář (pomocník)
Garance
doc. RNDr. Lubomír Popelínský, Ph.D.
Katedra strojového učení a zpracování dat – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Jan Sedmidubský, Ph.D.
Dodavatelské pracoviště: Katedra strojového učení a zpracování dat – Fakulta informatiky
Předpoklady
Předpokládá se znalost základů strojového učení v rozsahu předmětu IB031 Úvod do strojového učení.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 37 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Výstupy z učení
Student bude schopen
- předzpracovat data pro data mining;
- znát pokročilé metody strojového učení a data mining a umět je používat;
- navrhnout, implementovat a ověřit metodu strojového učení a data mining;
- napsat technickou zprávu z této oblasti.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. AutoML, preference learning. Učení v multirelačních datech.
  • Teorie strojového učení. Bias-variance tradeoff. Modely učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování.
  • Aktivní učení. Semi-supervised learning.
  • Analýza časových řad.
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
    neurčeno
  • FLACH, Peter A. Machine learning : the art and science of algorithms that make sense of data. New York: Cambridge University Press, 2012, xvii, 396. ISBN 1107422221. info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Vyučovací jazyk
Angličtina
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Výuka probíhá každý týden.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024.

PV056 Machine Learning and Data Mining

Fakulta informatiky
jaro 2024
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Bc. Terézia Fialová (pomocník)
doc. RNDr. Jan Sedmidubský, Ph.D. (pomocník)
RNDr. Ondřej Sotolář (pomocník)
Bc. Jonáš Tichý (pomocník)
Garance
doc. RNDr. Lubomír Popelínský, Ph.D.
Katedra strojového učení a zpracování dat – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra strojového učení a zpracování dat – Fakulta informatiky
Rozvrh
Út 16:00–17:50 B204
Předpoklady
Předpokládá se znalost základů strojového učení v rozsahu předmětu IB031 Úvod do strojového učení.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 74 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Výstupy z učení
Student bude schopen
- předzpracovat data pro data mining;
- znát pokročilé metody strojového učení a data mining a umět je používat;
- navrhnout, implementovat a ověřit metodu strojového učení a data mining;
- napsat technickou zprávu z této oblasti.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
    neurčeno
  • FLACH, Peter A. Machine learning : the art and science of algorithms that make sense of data. New York: Cambridge University Press, 2012, xvii, 396. ISBN 1107422221. info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Vyučovací jazyk
Angličtina
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2023
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Ondřej Sotolář (pomocník)
Garance
doc. RNDr. Lubomír Popelínský, Ph.D.
Katedra strojového učení a zpracování dat – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra strojového učení a zpracování dat – Fakulta informatiky
Rozvrh
St 15. 2. až St 10. 5. St 14:00–15:50 D1
Předpoklady
Předpokládá se znalost základů strojového učení v rozsahu předmětu IB031 Úvod do strojového učení.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 74 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Výstupy z učení
Student bude schopen
- předzpracovat data pro data mining;
- znát pokročilé metody strojového učení a data mining a umět je používat;
- navrhnout, implementovat a ověřit metodu strojového učení a data mining;
- napsat technickou zprávu z této oblasti.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
    neurčeno
  • FLACH, Peter A. Machine learning : the art and science of algorithms that make sense of data. New York: Cambridge University Press, 2012, xvii, 396. ISBN 1107422221. info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Vyučovací jazyk
Angličtina
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2022
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Mgr. Faruk Herenda (pomocník)
Mgr. Ján Krčmář (pomocník)
Garance
doc. RNDr. Lubomír Popelínský, Ph.D.
Katedra strojového učení a zpracování dat – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra strojového učení a zpracování dat – Fakulta informatiky
Rozvrh
St 16. 2. až St 11. 5. St 8:00–9:50 D1
Předpoklady
Předpokládá se znalost základů strojového učení v rozsahu předmětu IB031 Úvod do strojového učení.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 74 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Výstupy z učení
Student bude schopen
- předzpracovat data pro data mining;
- znát pokročilé metody strojového učení a data mining a umět je používat;
- navrhnout, implementovat a ověřit metodu strojového učení a data mining;
- napsat technickou zprávu z této oblasti.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
    neurčeno
  • FLACH, Peter A. Machine learning : the art and science of algorithms that make sense of data. New York: Cambridge University Press, 2012, xvii, 396. ISBN 1107422221. info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Vyučovací jazyk
Angličtina
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2021
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Mgr. Radoslav Doktor (pomocník)
Garance
doc. RNDr. Lubomír Popelínský, Ph.D.
Katedra strojového učení a zpracování dat – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra strojového učení a zpracování dat – Fakulta informatiky
Rozvrh
St 8:00–9:50 Virtuální místnost
Předpoklady
Předpokládá se znalost základů strojového učení v rozsahu předmětu IB031 Úvod do strojového učení.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 74 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Výstupy z učení
Student bude schopen
- předzpracovat data pro data mining;
- znát pokročilé metody strojového učení a data mining a umět je používat;
- napsat technickou zprávu z této oblasti;
- navrhnout, implementovat a ověřit metodu strojového učení a data mining.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
    neurčeno
  • FLACH, Peter A. Machine learning : the art and science of algorithms that make sense of data. New York: Cambridge University Press, 2012, xvii, 396. ISBN 1107422221. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2020
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Mgr. Dušan Hetlerović (pomocník)
Mgr. Katarína Nocarová (pomocník)
Garance
doc. RNDr. Lubomír Popelínský, Ph.D.
Katedra strojového učení a zpracování dat – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra strojového učení a zpracování dat – Fakulta informatiky
Rozvrh
Po 17. 2. až Čt 7. 5. St 8:00–9:50 A318; a St 13. 5. 8:00–9:50 B517
Předpoklady
Předpokládá se znalost základů strojového učení v rozsahu předmětu IB031 Úvod do strojového učení.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 74 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Výstupy z učení
Student bude schopen
- předzpracovat data pro data mining;
- znát pokročilé metody strojového učení a data mining a umět je používat;
- napsat technickou zprávu z této oblasti;
- navrhnout, implementovat a ověřit metodu strojového učení a data mining.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
    neurčeno
  • FLACH, Peter A. Machine learning : the art and science of algorithms that make sense of data. New York: Cambridge University Press, 2012, xvii, 396. ISBN 1107422221. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2019
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Mgr. Róbert Kolcún (pomocník)
Mgr. Ondrej Kurák (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
St 16:00–17:50 B410
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 37 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Výstupy z učení
Student bude schopen
- předzpracovat data pro data mining;
- znát pokročilé metody strojového učení a data mining a umět je používat;
- napsat technickou zprávu z této oblasti;
- navrhnout, implementovat a ověřit metodu strojového učení a data mining.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2018
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Mgr. Veronika Krejčířová (pomocník)
RNDr. Karel Vaculík, Ph.D. (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
St 8:00–9:50 C525
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 37 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Výstupy z učení
Student bude schopen
- předzpracovat data pro data mining;
- znát pokročilé metody strojového učení a data mining a umět je používat;
- napsat technickou zprávu z této oblasti;
- navrhnout, implementovat a ověřit metodu strojového učení a data mining.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2017
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Mgr. Tomáš Rudolecký (pomocník)
Mgr. Jan Sedlák (pomocník)
RNDr. Karel Vaculík, Ph.D. (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
Út 14:00–15:50 B410
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 37 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2016
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Karel Vaculík, Ph.D. (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
Čt 8:00–9:50 C511
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 37 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Osnova
  • Přehled základních metod strojového učení
  • Pokročilé metody strojového učení. Kombinace učících algoritmů. metalearning, preference learning. Učení v multirelačních datech. Dolování v grafech a sekvencích.
  • Teorie strojového učení Bias-varinace tradeoff. Modely učení
  • Big data analytics
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v multirelačních datech.
  • Detekce odlehlých bodů
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu, dolování v temporálních a časově prostorových datech, dobývání znalostí z webu. Dolování ve výukových datech. Dobývání znalostí, biologické vědy a bioinformatika
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
Výukové metody
Přednáška, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2015
Rozsah
2/0/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Karel Vaculík, Ph.D. (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
Čt 14:00–15:50 C511
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 36 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Osnova
  • Úvod do teorie a přehled základních metod, algoritmů a systémů pro strojové učení a dobývání znalostí z dat. Součástí předmětu je projekt.
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Induktivní dotazovací jazyky
  • Jazyk PMML.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Dobývání znalostí, biologické vědy a bioinformatika
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
Výukové metody
Přednáška, cvičení, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2014
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Mgr. Juraj Jurčo (pomocník)
RNDr. Karel Vaculík, Ph.D. (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
Út 8:00–9:50 G124
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 36 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Osnova
  • Úvod do teorie a přehled základních metod, algoritmů a systémů pro strojové učení a dobývání znalostí z dat. Součástí předmětu je projekt.
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Induktivní dotazovací jazyky
  • Jazyk PMML.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Dobývání znalostí, biologické vědy a bioinformatika
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
Výukové metody
Přednáška, cvičení, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2013
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Mgr. Juraj Jurčo (pomocník)
RNDr. Mgr. Jaroslav Bayer (pomocník)
RNDr. Hana Bydžovská, Ph.D. (pomocník)
RNDr. Jan Géryk, Ph.D. (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
St 12:00–13:50 B410
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 39 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Osnova
  • Úvod do teorie a přehled základních metod, algoritmů a systémů pro strojové učení a dobývání znalostí z dat. Součástí předmětu je projekt.
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Induktivní dotazovací jazyky
  • Jazyk PMML.
  • Vizualizace dat, visual analytics
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Dobývání znalostí, biologické vědy a bioinformatika
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
Výukové metody
Přednáška, cvičení, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2012
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Petr Kosina, Ph.D. (pomocník)
RNDr. Jan Géryk, Ph.D. (pomocník)
Mgr. Juraj Jurčo (cvičící)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
Út 8:00–9:50 B410
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 39 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Osnova
  • Úvod do teorie a přehled základních metod, algoritmů a systémů pro strojové učení a dobývání znalostí z dat. Součástí předmětu je projekt.
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Induktivní dotazovací jazyky
  • Jazyk PMML.
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Vizualizace dat.
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
Výukové metody
Přednáška, cvičení, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2011
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Petr Glos (pomocník)
Mgr. Jana Kadlecová (pomocník)
Mgr. Jan Knotek (pomocník)
Georg Schroeder (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
Po 14:00–15:50 B410
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 38 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Osnova
  • Úvod do teorie a přehled základních metod, algoritmů a systémů pro strojové učení a dobývání znalostí z dat. Součástí předmětu je projekt.
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Induktivní dotazovací jazyky
  • Jazyk PMML.
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Vizualizace dat.
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
Výukové metody
Přednáška, cvičení, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2010
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Georg Schroeder (pomocník)
Bc. Jakub Tischler (pomocník)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
Po 16:00–17:50 B204
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 36 mateřských oborů, zobrazit
Cíle předmětu
Na konci tohoto kurzu bude student schopen pracovat s metodami strojového učení a dobývání znalostí z dat. Bude schopen vytvářet nástroje pro analýzu dat, které těchto metod využívají.
Osnova
  • Úvod do teorie a přehled základních metod, algoritmů a systémů pro strojové učení a dobývání znalostí z dat. Součástí předmětu je projekt.
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Management znalostí: induktivní dotazovací jazyky; správa znalostí; jazyk PMML.
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Vizualizace dat.
  • Dobývání znalostí, datové sklady a OLAP.
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
Výukové metody
Přednáška, cvičení, projekt.
Metody hodnocení
Písemná a ústní zkouška. Nutnou podmínkou absolvování je obhajoba projektu.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Strojové učení a dobývání znalostí

Fakulta informatiky
jaro 2009
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
St 10:00–11:50 B204
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 37 mateřských oborů, zobrazit
Cíle předmětu
Úvod do teorie a přehled základních metod, algoritmů a systémů pro strojové učení a dobývání znalostí z dat. Součástí předmětu je projekt.
Osnova
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Management znalostí: induktivní dotazovací jazyky; správa znalostí; jazyk PMML.
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Vizualizace dat.
  • Dobývání znalostí, datové sklady a OLAP.
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2006, xxviii, 77. ISBN 1558609016. URL info
Metody hodnocení
Nutnou podmínkou absolvování je projekt.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Dobývání znalostí z dat

Fakulta informatiky
jaro 2008
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
Čt 16:00–17:50 B007
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 37 mateřských oborů, zobrazit
Cíle předmětu
Úvod do teorie a přehled základních metod, algoritmů a systémů pro dobývání znalostí z dat. Součástí předmětu je projekt.
Osnova
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Management znalostí: induktivní dotazovací jazyky; správa znalostí; jazyk PMML.
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Vizualizace dat.
  • Dobývání znalostí, datové sklady a OLAP.
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • Advances in knowledge discovery and data mining. Edited by Usama M. Fayyad. Menlo Park: AAAI Press, 1996, xiv, 611. ISBN 0262560976. info
Metody hodnocení
Nutnou podmínkou absolvování je projekt.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Dobývání znalostí z dat

Fakulta informatiky
jaro 2007
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
Čt 16:00–17:50 B011
Předpoklady
! P056 Vyhledávání znalostí v DB
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 17 mateřských oborů, zobrazit
Cíle předmětu
Úvod do teorie a přehled základních metod, algoritmů a systémů pro dobývání znalostí z dat. Součástí předmětu je projekt.
Osnova
  • Proces získávání znalostí z dat, typické úlohy při dobývání znalostí.
  • Metody strojového učení: učení s učitelem; učení bez učitele; učení v multirelačních datech; kombinace učících algoritmů.
  • Předzpracování dat: výběr atributů; konstrukce nových atributů; metody vzorkování; aktivní učení.
  • Hledání častých vzorů a asociačních pravidel: algoritmus Apriori; alternativy; časté vzory v predikátové logice.
  • Management znalostí: induktivní dotazovací jazyky; správa znalostí; jazyk PMML.
  • Dobývání znalostí z vybraných typů dat: dolování v textu (klasifikace dokumentů, extrakce informace), dolování v temporálních a časově prostorových datech, dobývání znalostí z webu.
  • Vizualizace dat.
  • Dobývání znalostí, datové sklady a OLAP.
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • Advances in knowledge discovery and data mining. Edited by Usama M. Fayyad. Menlo Park: AAAI Press, 1996, xiv, 611. ISBN 0262560976. info
Metody hodnocení
Nutnou podmínkou absolvování je projekt.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2006, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Vyhledávání znalostí v databázích

Fakulta informatiky
jaro 2006
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Jan Blaťák, Ph.D. (cvičící)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
Čt 14:00–15:50 B007
Předpoklady
! P056 Vyhledávání znalostí v DB
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 18 mateřských oborů, zobrazit
Cíle předmětu
Úvod do teorie a přehled základních metod, algoritmů a systémů pro vyhledávání znalostí v databázích. Součástí předmětu je projekt.
Osnova
  • Znalost, pojem asociace a závislosti v databázích, relace zajímavosti. Typické úlohy při vyhledávání znalostí: identifikace homogenních podtříd, popis zajímavých podtříd, hledání závislostí, detekce odchylek. Vizualizace.
  • Metody strojového učení. Učení s učitelem(rozhodovací stromy, algoritmy TDIDT a AQ, systémy C4.5 a C5.0). Učení bez učitele(shluková analýza, CLUSTER, bayesovské přístupy, AutoClass). Induktivní logické programování.
  • Preprocessing.
  • Systémy MineSet a KEPLER
  • Asociační pravidla.
  • Rozšíření DBMS pro podporu vyhledávání znalostí. KESO projekt.
  • Induktivní dotazovací jazyky. DBMiner
  • Vyhledávání znalostí v některých typech databází: RDB, OODB, geografické databáze, WWW, textové databáze.
  • Date warehousing, OLAP.
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • Advances in knowledge discovery and data mining. Edited by Usama M. Fayyad. Menlo Park: AAAI Press, 1996, xiv, 611. ISBN 0262560976. info
Metody hodnocení
Nutnou podmínkou absolvování je projekt.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2005, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Vyhledávání znalostí v databázích

Fakulta informatiky
jaro 2005
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Jan Blaťák, Ph.D. (cvičící)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
Čt 16:00–17:50 B410, Čt 18:00–18:50 B001
Předpoklady
! P056 Vyhledávání znalostí v DB
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 18 mateřských oborů, zobrazit
Cíle předmětu
Úvod do teorie a přehled základních metod, algoritmů a systémů pro vyhledávání znalostí v databázích. Součástí předmětu je projekt.
Osnova
  • Znalost, pojem asociace a závislosti v databázích, relace zajímavosti. Typické úlohy při vyhledávání znalostí: identifikace homogenních podtříd, popis zajímavých podtříd, hledání závislostí, detekce odchylek. Vizualizace.
  • Metody strojového učení. Učení s učitelem(rozhodovací stromy, algoritmy TDIDT a AQ, systémy C4.5 a C5.0). Učení bez učitele(shluková analýza, CLUSTER, bayesovské přístupy, AutoClass). Induktivní logické programování.
  • Preprocessing.
  • Systémy MineSet a KEPLER
  • Asociační pravidla.
  • Rozšíření DBMS pro podporu vyhledávání znalostí. KESO projekt.
  • Induktivní dotazovací jazyky. DBMiner
  • Vyhledávání znalostí v některých typech databází: RDB, OODB, geografické databáze, WWW, textové databáze.
  • Date warehousing, OLAP.
Literatura
  • BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
  • Relational data mining. Edited by Sašo Džeroski - Nada Lavrač. Berlin: Springer, 2001, xix, 398. ISBN 3540422897. info
  • Advances in knowledge discovery and data mining. Edited by Usama M. Fayyad. Menlo Park: AAAI Press, 1996, xiv, 611. ISBN 0262560976. info
Metody hodnocení
Nutnou podmínkou absolvování je projekt.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2004, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Vyhledávání znalostí v databázích

Fakulta informatiky
jaro 2004
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
Po 16:00–17:50 B011
Předpoklady
! P056 Vyhledávání znalostí v DB
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 8 mateřských oborů, zobrazit
Cíle předmětu
Přehled základních metod, algoritmů a systémů pro vyhledávání znalostí v databázích. Součástí předmětu je projekt.
Osnova
  • Znalost, pojem asociace a závislosti v databázích, relace zajímavosti. Typické úlohy při vyhledávání znalostí: identifikace homogenních podtříd, popis zajímavých podtříd, hledání závislostí, detekce odchylek. Vizualizace.
  • Metody strojového učení. Učení s učitelem(rozhodovací stromy, algoritmy TDIDT a AQ, systémy C4.5 a C5.0). Učení bez učitele(shluková analýza, CLUSTER, bayesovské přístupy, AutoClass). Induktivní logické programování.
  • Preprocessing.
  • Systémy MineSet a KEPLER
  • Asociační pravidla.
  • Rozšíření DBMS pro podporu vyhledávání znalostí. KESO projekt.
  • Induktivní dotazovací jazyky. DBMiner
  • Vyhledávání znalostí v některých typech databází: RDB, OODB, geografické databáze, WWW, textové databáze.
  • Date warehousing, OLAP.
Literatura
  • Advances in knowledge discovery and data mining. Edited by Usama M. Fayyad. Menlo Park: AAAI Press, 1996, xiv, 611. ISBN 0262560976. info
Metody hodnocení
Nutnou podmínkou absolvování je projekt.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2003, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.

PV056 Vyhledávání znalostí v databázích

Fakulta informatiky
jaro 2003
Rozsah
2/1. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Kontaktní osoba: doc. RNDr. Lubomír Popelínský, Ph.D.
Rozvrh
Po 14:00–15:50 B011
Předpoklady
! P056 Vyhledávání znalostí v DB
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 8 mateřských oborů, zobrazit
Cíle předmětu
Přehled základních metod, algoritmů a systémů pro vyhledávání znalostí v databázích. Součástí předmětu je projekt.
Osnova
  • Znalost, pojem asociace a závislosti v databázích, relace zajímavosti. Typické úlohy při vyhledávání znalostí: identifikace homogenních podtříd, popis zajímavých podtříd, hledání závislostí, detekce odchylek. Vizualizace.
  • Metody strojového učení. Učení s učitelem(rozhodovací stromy, algoritmy TDIDT a AQ, systémy C4.5 a C5.0). Učení bez učitele(shluková analýza, CLUSTER, bayesovské přístupy, AutoClass). Induktivní logické programování.
  • Preprocessing.
  • Systémy MineSet a KEPLER
  • Asociační pravidla.
  • Rozšíření DBMS pro podporu vyhledávání znalostí. KESO projekt.
  • Induktivní dotazovací jazyky. DBMiner
  • Vyhledávání znalostí v některých typech databází: RDB, OODB, geografické databáze, WWW, textové databáze.
  • Date warehousing, OLAP.
Literatura
  • Advances in knowledge discovery and data mining. Edited by Usama M. Fayyad. Menlo Park: AAAI Press, 1996, xiv, 611. ISBN 0262560976. info
Metody hodnocení
Nutnou podmínkou absolvování je projekt.
Informace učitele
http://www.fi.muni.cz/usr/popelinsky/lectures/kdd/
Další komentáře
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2004, jaro 2005, jaro 2006, jaro 2007, jaro 2008, jaro 2009, jaro 2010, jaro 2011, jaro 2012, jaro 2013, jaro 2014, jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.