Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2019/2020

Data Mining

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
BIE-VZD Z,ZK 4 2P+2C
Přednášející:
Karel Klouda
Cvičící:
Karel Klouda
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

Students are introduced to the basic methods of discovering knowledge in data. In particular, they learn the basic techniques of data preprocessing, multidimensional data visualization, statistical techniques of data transformation, and fundamental principles of knowledge discovery methods. Students will be aware of the relationships between model bias and variance, and know the fundamentals of assessing model quality. Data mining software is extensively used in the module. Students will be able to apply basic data mining tools to common problems (classification, regression, clustering).

Požadavky:

The knowledge of calculus, linear algebra and probability theory is assumed.

Osnova přednášek:

1. Introduction to the field and applications

2. Decision trees, test, train, validation set

3. Ensemble methods (random forest, AdaBoost)

4. Hierarchical clustering, k-means algorithm

5. kNN (k-nearest neighbours)

6. Naive Bayes

7. Linear regression

8. Logistic regression

9. Ridge regression and regularisation

10. Dimensionality reduction

11. Neural networks

12. Natural language processing

Osnova cvičení:

1. Jupyter notebooks and machine learning packages

2. Decision trees, hyperparameters tuning

3. Ensemble methods (random forest, AdaBoost)

4. Hierarchical clustering, k-means algorithm

5. kNN (k-nearest neighbours), cross-validation

6. Naive Bayes classifier

7. Linear regression

8. Logistic regression

9. Ridge regression

10. Dimensionality reduction

11. Neural networks

12. Natural language processing

Cíle studia:

The module aims to introduce students to a rapidly developing field - knowledge discovery in data.

Studijní materiály:

1. Data Mining: Practical Machine Learning Tools and Techniques, I. H. Witten, E. Frank, M. A. Hall, Elsevier, 2011, ISBN 978-0080890364.

2. Deep Learning, I. Goodfellow, Y. Bengio, A. Courville, MIT Press, 2016, ISBN 978-0262035613.

3. Machine Learning: A Probabilistic Perspective, K. P. Murphy, MIT Press, 2012, ISBN 978-0262018029.

Poznámka:

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BIE-VZD/Rozsah=prednasky+proseminare+cviceni2p+2c

Další informace:
https://courses.fit.cvut.cz/BIE-VZD/
Rozvrh na zimní semestr 2019/2020:
Rozvrh není připraven
Rozvrh na letní semestr 2019/2020:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 17. 10. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet1449206.html