Učni načrt predmeta

Predmet:

Podatkovno rudarjenje in odkrivanje zakonitosti

Course:

Data Mining and Knowledge Discovery

Študijski program in stopnja / Study programme and level	Študijska smer / Study field	Letnik / Academic year	Semester / Semester
Informacijske in komunikacijske tehnologije, 3. stopnja	Tehnologije znanja	1	1
Information and Communication Technologies, 3rd cycle	Knowledge Technologies	1	1

Vrsta predmeta / Course type

Izbirni / Elective

Univerzitetna koda predmeta / University course code:

IKT3-722

Predavanja Lectures	Seminar Seminar	Vaje Tutorial	Klinične vaje work	Druge oblike študija	Samost. delo Individ. work	ECTS
30	30			30	210	10

*Navedena porazdelitev ur velja, če je vpisanih vsaj 15 študentov. Drugače se obseg izvedbe kontaktnih ur sorazmerno zmanjša in prenese v samostojno delo. / This distribution of hours is valid if at least 15 students are enrolled. Otherwise the contact hours are linearly reduced and transfered to individual work.

Nosilec predmeta / Course leader:

prof. dr. Nada Lavrač

Sodelavci / Lecturers:

Jeziki / Languages:

Predavanja / Lectures:

Slovenščina, angleščina / Slovenian, English

Vaje / Tutorial:

Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti:

Prerequisits:

Vsebina:

Content (Syllabus outline):

Uvod: uvod v podatkovno rudarjenje in odkrivanje zakonitosti v podatkih, povezava s strojnim učenjem, vizualizacija podatkov in modelov, predstavitev CRISP-DM metodologije odkrivanja zakonitosti.

Tehnike rudarjenja podatkov: predstavitev posameznih tehnik rudarjenja podatkov: učenje odločitvenih, regresijskih in modelnih dreves, učenje klasifikacijskih in povezovalnih pravil, razvrščanje v skupine, metoda najbližjih sosedov, Naivni Bayesov klasifikator, metoda podpornih vektorjev, umetne nevronske mreže, odkrivanje podskupin, ansambli klasifikatorjev.

Hevristike in ocenjevanje rezultatov: predstavitev preiskovalnih hevristik, hevristik za ocenjevanje kvalitete naučenih vzorcev in modelov, metodologija evalvacije rezultatov.

Napredne metode rudarjenja podatkov: učenje z delno-označenimi podatki, aktivno učenje, rudarjenje relacijskih podatkov, propozicionalizacija, semantično rudarjenje podatkov.

Praktično usposabljanje: praktična uporaba izbranih tehnik in orodij rudarjenja podatkov.

Temeljna literatura in viri / Readings:

Cilji in kompetence:

Objectives and competences:

Predvideni študijski rezultati:

Intendeded learning outcomes:

Metode poučevanja in učenja:

Learning and teaching methods:

Načini ocenjevanja:

Delež v % / Weight in %

Assesment:

Pisni ali ustni izpit

40 %

Written or oral exam

Seminarska naloga

30 %

Seminar work

Ustni zagovor seminarske naloge

30 %

Oral defense of the seminar work

Reference nosilca / Lecturer's references:

1.	J. Fürnkranz, D. Gamberger, and N. Lavrač, Foundations of Rule Learning. Springer, 2012.
2.	A. Vavpetič, V. Podpečan, and N. Lavrač, Semantic subgroup explanations. J. Intell. Inf. Syst. 42(2): 233-254, 2014.
3.	N. Lavrač, V. Podpečan, and M. Robnik-Šikonja: Representation Learning: Propositionalization and Embeddings, Springer, 2021.
4.	B. Sluban, D. Gamberger, and N. Lavrač, Ensemble-based noise detection: noise ranking and visual performance evaluation. Data Min. Knowl. Discov. 28(2): 265-303, 2014.
5.	M. Grčar, N. Trdin, and N. Lavrač. A methodology for mining document-enriched heterogeneous information networks. The Computer Journal, 56(3): 321-335, 2013.