Pokročilé způsoby práce se znalostmi zahrnující získávání, formalizaci, integraci, prezentaci uživatelům i automatickou
aplikaci znalostí v různých oblastech. Dobývání znalostí je v rámci předmětu chápáno šířeji než jako dobývání znalostí z
rozsáhlých komerčních databází. Cílem je seznámit studenty s novými přístupy k DZ využívajícími metody znalostního
inženýrství. Důraz bude kladen na samostatnou práci na vlastních vývojových projektech.
Poslední úprava: T_KSI (28.04.2008)
Advanced ways of dealing with knowledge including knowledge acquisition, formalization, integration, presentation of
knowledge to users as well as automated knowledge application in various areas. The goal of the course is to acquaint
students with new approaches to DM that use methods of knowledge engineering. The emphasis will be on student's
concrete projects.
Literatura -
Poslední úprava: T_KSI (28.04.2008)
Hájek P., Havránek T.: Mechanizing hypothesis formation (mathematical foundations for a general theory), Springer-Verlag Berlin-Heidelberg-New York, 1978
RAUCH, Jan. Logic of Association Rules. Applied Intelligence, 2005, č. 22, s. 9-28. .
RAUCH, Jan, ŠIMŮNEK, Milan. An Alternative Approach to Mining Association Rules. In: LIN, Tsau Young et.al.(eds.). Foundations of Data Mining and Knowledge Discovery. Berlin : Springer, 2005, s. 211-231.
S. Džeroski, N. Lavrač. Relational data mining, Springer 2001
T. Horváth, P. Vojtáš, Induction of Fuzzy and Annotated Logic Programs, in Revised Selected Papers from ILP 2006, S. Muggleton, R. Otero, and A. Tamaddoni-Nezhad (Eds.), LNAI 4455, pp. 260-274, 2007
Poslední úprava: T_KSI (28.04.2008)
Hájek P., Havránek T.: Mechanizing hypothesis formation (mathematical foundations for a general theory), Springer-Verlag Berlin-Heidelberg-New York, 1978
RAUCH, Jan. Logic of Association Rules. Applied Intelligence, 2005, č. 22, s. 9-28. .
RAUCH, Jan, ŠIMŮNEK, Milan. An Alternative Approach to Mining Association Rules. In: LIN, Tsau Young et.al.(eds.). Foundations of Data Mining and Knowledge Discovery. Berlin : Springer, 2005, s. 211-231.
S. Džeroski, N. Lavrač. Relational data mining, Springer 2001
T. Horváth, P. Vojtáš, Induction of Fuzzy and Annotated Logic Programs, in Revised Selected Papers from ILP 2006, S. Muggleton, R. Otero, and A. Tamaddoni-Nezhad (Eds.), LNAI 4455, pp. 260-274, 2007
Sylabus -
Poslední úprava: T_KSI (28.04.2008)
Motivační příklady, data, vztah k formálním modelům
Akademické softwarové systémy LISp-Miner, Ferda a WEKA pro DZ a jejich aplikace
Metoda GUHA - princip, vybrané GUHA procedury, problémy implementace
Vztah metody GUHA ke klasickým metodám (asociační pravidla, Apriori algoritmus, rozhodovací stromy)
Multirelační dobývání znalostí
ILP
Ordinální klasifikace
Dobývání znalostí z databází a sémantický web
Automatická tvorba analytických zpráv o výsledcích DZ
Observační kalkuly a jejich využití v DZ
Využití dalších metod reprezentace a zpracování znalostí v procesu DZ
Přehled trendů
Poslední úprava: T_KSI (28.04.2008)
Motivation examples, data, relations to formal models
Academic software systems LISp-Miner, Ferda and WEKA and their applications
GUHA method - principle, important GUHA procedures, problems of implementation
Relation of GUHA method to classical methods (association rules. Apriori algorithm, decision tress)
Multi-relational data mining
Inductive logic programming
Ordinal classification
Data mining and Semantic Web
Automatic reporting data mining results
Observational calculi and their application in data mining
Application of knowledge engineering methods in data mining
