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:

dr. Aljaž Osojnik , doc. dr. Bernard Ženko , doc. dr. Martin Žnidaršič

Jeziki / Languages:

Predavanja / Lectures:

Slovenščina, angleščina / Slovenian, English

Vaje / Tutorial:

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

Prerequisites:

Zaključen študij druge stopnje s področja informacijskih ali komunikacijskih tehnologij ali zaključen študij druge stopnje na drugih področjih z znanjem osnov s področja predmeta. Potrebna so tudi osnovna znanja matematike, računalništva in informatike.

Completed second-cycle studies in information or communication technologies or completed second-cycle studies in other fields with knowledge of fundamentals in the field of this course. Basic knowledge of mathematics, computer science and informatics is also requested.

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.

Introduction: introduction to data mining and knowledge discovery in databases, relation with machine learning, visualization of data and models, presentation of the CRISP-DM knowledge discovery methodology.

Data mining techniques: presentation of specific data mining techniques: decision, regression and model tree learning, learning classification and association rules, clustering, nearest neighbors approach, Naive Bayesian classifier, support vector machines, artificial neural networks, subgroup discovery, ensemble classifiers.

Heuristics and results evaluation: presentation of search heuristics, heuristics for estimating the quality of induced patterns and models, methodology for results evaluation.

Advanced data mining methods: semi-supervised learning, active learning, relational data mining, propositionalization, semantic data mining.

Practical training: practical use of selected data mining techniques and tools.

Temeljna literatura in viri / Readings:

Izbrana poglavja iz naslednjih knjig: / Selected chapters from the following books:
J.H. Witten, E. Frank, and M.A. Hall, Data Mining: Practical Machine Learning Tools and Techniques
(Third Edition). Morgan Kaufmann, 2011. ISBN 978-0-12-374856-0.
T. Mitchell, Machine Learning. McGraw Hill, 1997. ISBN 0070428077.
M. Berthold, and D.J. Hand, Eds. Intelligent Data Analysis: An Introduction. Springer, 2003. ISBN 978-3-
540-43060-5.
S. Džeroski, and N. Lavrač, Eds. Relational Data Mining. Springer, 2001. ISBN 3-540-42289-7.
J. Fürnkranz, D. Gamberger, and N. Lavrač, Foundations of Rule Learning. Springer, 2012. ISBN 978-3-
540-75196-0.
M. Bramer, Principles of Data Mining. Springer, 2007. ISBN 978-1-84628-765-7.

Cilji in kompetence:

Objectives and competences:

Odkrivanje zakonitosti v podatkih je proces odkrivanja vzorcev in modelov, opisanih s pravili ali drugimi človeku razumljivimi formalizmi za predstavitev znanja. Najpomembnejši del tega procesa predstavlja podatkovno rudarjenje, ki vključuje uporabo metod, tehnik in orodij za avtomatsko konstrukcijo vzorcev in modelov iz podatkov.

Cilji predmeta so (a) predstaviti osnove podatkovnega rudarjenja, postopke odkrivanja zakonitosti v podatkih ter metodologijo CRISP-DM, (b) predstaviti izbrane metode in tehnike podatkovnega rudarjenja, (c) predstaviti metodologijo ocenjevanja rezultatov.

Študenti bodo obvladali osnove predprocesiranja podatkov, rudarjenja podatkov in odkrivanja zakonitosti v podatkih ter bodo usposobljeni za praktično uporabo izbranih orodij podatkovnega rudarjenja in metod za evalvacijo rezultatov.

Knowledge discovery in databases is the process of discovering patterns and models, described by rules or other human-understandable representation formalisms. The most important step in this process is data mining, performed by using methods, techniques and tools for automated constructions of patterns and models from data.

The course objectives are to (a) introduce the basics of data mining, the process of knowledge discovery in databases, and the CRISP-DM methodology, (b) present selected data mining methods and techniques, and (c) present the methodology for result evaluation.

The students will master the basics of data preprocessing, data mining, and knowledge discovery and will be capable of using selected data mining tools and results evaluation methods in practice.

Predvideni študijski rezultati:

Intendeded learning outcomes:

Obvladana uporaba izbranih metod in tehnik podatkovnega rudarjenja, usposobljenost za praktično uporabo izbranih orodij podatkovnega rudarjenja, usposobljenost za uporabo in interpretacijo metod za evalvacijo rezultatov.

Mastering of selected data mining methods and techniques, the capability of practical use of selected data mining techniques, and the capability of using and interpreting the methods for result evaluation.

Metode poučevanja in učenja:

Learning and teaching methods:

Predavanja, seminar, konzultacije, individualno delo.

Lectures, seminar, consultations, individual work

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.