Učni načrt predmeta

Predmet:

Računalniško podprto odkrivanje znanstvenih zakonitosti iz strukturiranih, prostorskih in časovnih podatkov

Course:

Computational Scientific Discovery from Structured, Spatial and Temporal Data

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:

IKT3-723

Predavanja Lectures	Seminar Seminar	Vaje Tutorial	Klinične vaje work	Druge oblike študija	Samost. delo Individ. work	ECTS
15	15			15	105	5

*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. Sašo Džeroski

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):

Različne naloge napovedovanja strukturiranih vrednosti: večciljna klasifikacija in regresija, (hierarhična) večznačna klasifikacija, napovedovanje kratkih časovnih vrst. Dodatne dimenzije kompleksnosti: nepopolne označbe, podatkovni tokovi in omrežni podatki.

Napovedno razvrščanje za napovedovanje strukturiranih vrednosti: Uvod v napovedno razvrščanje, drevesa za napovedno razvrščanje za različne tipe ciljnih vrednosti, učenje tovrstnih dreves z omejitvami.

Ontologije za podatkovno rudarjenje: Ontologija podatkovnih tipov, ontologija ključnih pojmov podatkovnega rudarjenja, opis napovedovanja strukturiranih vrednosti.

Ansambelske metode za napovedovanje strukturiranih vrednosti: Ansambli dreves, ansambli pravil, rangiranje značilk.

Napredne teme: Pol-nadzorovano učenje za napovedovanje strukturiranih vrednosti, učenje iz podatkovnih tokov.

Primeri uporabe napovedovanja strukturiranih vrednosti: Znanosti o okolju, napovedovanje zgradbe združb, znanosti o življenju, npr. napovedovanje funkcij genov.

The different tasks of predicting structured outputs: multi-target classification and regression; (hierarchical) multi-label classification; timeseries as targets. Additional dimensions of complexity: incomplete annotations, streaming and network data.

Predictive clustering for structured output prediction: Introduction to predictive clustering, predictive clustering trees for different targets, constraint-based learning thereof.

Ontologies for data mining: Ontology of data types, ontology of core data mining entities, describing structured output prediction.

Ensemble methods for structured output prediction: Tree ensembles, rule ensembles, feature ranking.

Advanced topics: Semi-supervised learning for structured-output prediction, structured output prediction on data streams

Applications of structured output prediction: Environmental sciences (ecology, e.g., predicting community structure), life sciences (systems biology, e.g., predicting gene function), image annotation and retrieval.

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:

Seminarska naloga

50 %

Seminar work

Ustni zagovor seminarske naloge

50 %

Oral defense of seminar work

Reference nosilca / Lecturer's references:

1.	J. Levatić, D. Kocev, M. Ceci, S. Džeroski. Semi-supervised trees for multi-target regression. Information Sciences 450: 109-127, 2018.
2.	A. Osojnik, P. Panov, S. Džeroski. Multi-label classification via multi-target regression on data streams. Machine Learning 106 (6), 745-770, 2017.
3.	J. Levatić, D. Kocev, S. Džeroski. The importance of the label hierarchy in hierarchical multi-label classification. Journal of Intelligent Information Systems. 45 (2), 247-271, 2015.
4.	P. Panov, L. Soldatova, and S. Džeroski. Ontology of core data mining entities. Data Mining and Knowledge Discovery 28 (5-6), 1222-1265, 2014.
5.	D. Kocev, C. Vens, J. Struyf, and S. Džeroski. Tree ensembles for predicting structured outputs. Pattern Recognition 46 (3), 817-833, 2013.