Uvod v odkrivanje znanj iz podatkov

Predmet bo v teoriji in na praktičnih primerih obravnaval sledeče vsebine:

1. Kaj je poslovna inteligenca? Predstavitev področja skozi pregled značilnih aplikacij. Vloga tehnologij in pristopov poslovne inteligence v informacijskih sistemih in elektronskem poslovanju. Tehnologije znanja.
2. Računalniško podprto odločanje. Predstavitev in zajemanje znanja. Odločitveni modeli. Obravnavanje nepopolnih in negotovih odločitvenih podatkov. Razlaga in analiza odločitev.
3. Metode in tehnike za računalniško podporo odločanje v skupinah.
4. Uvod v tehnike odkrivanja znanj iz večdimenzionalnih podatkov. Vloga podatkovnih skladišč in predobdelave podatkov. Uvod v tehnike strojne gradnje modelov odločanja in napovednih modelov.
5. Vizualizacija podatkov in modelov.
6. Razvrščanje v skupine.
7. Tehnike poslovne inteligence na spletu. rangiranje spletnih strani. Analiza podatkov iz družabnih mrež.
8. Priporočilni sistemi.
9. Orodja in razvoj sistemov poslovne inteligence. Integracija v informacijskih sistemih. Snovanje uporabniških vmesnikov za pomoč pri odločanju.
10. Psihosociološki in etični vidiki poslovne inteligence.

• Zupan, B (2017) Uvod v odkrivanje znanj iz podatkov, Delovna skripta UL FRI, prosto dostopna na https://github.com/BlazZupan/uozp-zapiski.
• Tan, P.-N., Steinbach, M., and Kumar, V. (2006) Introduction to Data Mining, Pearson Education.
• Dokumentacija prosto dostopnih programov za podatkovno analitiko (Orange, na strani http://orange.biolab.si, scikit-learn na strani http://scikit-learn.org in numpy na strani http://www.numpy.org).

Cilj predmeta je spoznati metodološke osnove inteligentnih sistemov, ki so bili razviti na področju računalništva. Študente bomo naučili v praksi prepoznati njihove možne aplikacije ter tekom predmeta v okviru laboratorijskega dela naučeno znanje uporabiti na praktičnih primerih. Še posebej podrobno si bomo ogledali tehnike razvrščanja v skupine, priporočilnih sistemov, iskanja vzorcev v podatkih, gradnje napovednih modelov iz strukturiranih in tekstovnih zapisov in tehnike gradnje odločitvenih modelov.

Po uspešno opravljenem predmetu bodo študenti lahko:

• • • Pripravili podatke v obliki tabel, primernih za uporabo strojnega učenja.
    • Prepoznali, ali gre pri danih podatkih za problem odkrivanja vzorcev ali napovedovanja.
    • Izbrali primerno tehniko strojnega učenja za analizo podatkov in odkrivanje vzorcev.
    • Za dane podatke uporabili primerno tehniko zmanjšanja dimenzionalnosti.
    • Predstavili podatke v primerni vizualizaciji.
    • Za dan problem uporabili primerno tehniko za ovrednotenje rezultatov analitičnih metod.
    • Uporabili knjižnice za podatkovno analitiko v programskem jeziku Python.

Predavanja s podporo avdio-vizualne opreme, laboratorijske vaje v računalniški učilnici z osnovno računalniško opremo. Delo posamezno in v skupinah. Velik poudarek na praktičnem delu in reševanju problemov.

Domače naloge.

Končno preverjanje (pisni izpit).

Ocene: 6-10 pozitivno, 5 negativno
(v skladu s Statutom UL).

Stajdohar M, Rosengarten RD, Kokosar J, Jeran L, Blenkus D, Shaulsky G, Zupan B (2017) dictyExpress: a web-based platform for sequence data management and analytics in Dictyostelium and beyond, BMC Bioinformatics. 2017 Jun 2;18(1):291.

Zitnik M, Zupan B (2016) Jumping across biomedical contexts using compressive data fusion, Bioinformatics 15;32(12):i90-i100.

Zitnik M, Nam EA, Dinh C, Kuspa A, Shaulsky G, Zupan B (2015) Gene prioritization by compressive data fusion and chaining, PLoS Computational Biology 11(10):e1004552.

Staric A, Demsar J, Zupan B (2015) Concurrent software architectures for exploratory data analysis. WIREs Data Mining and Knowledge Discovery 5(4):165-180.

Zitnik M, Zupan B (2015) Data fusion by matrix factorization. IEEE Transactions on Pattern Analysis and Machine Intelligence 37(1):41-53.

Celotna bibliografija prof. dr. Zupana je dostopna na SICRISu:

http://sicris.izum.si/search/rsr.aspx?lang=slv&id=7764