|
Plan wykładów
- Wykład 1: Wprowadzenie (slajdy)
- Wykład 2+3: Analiza danych transakcyjnych i reguły asocjacyjne; algorytmy odkrywania reguł asocjacyjnych: Apriori, AprioriTid, FP-tree. (slajdy)
- Wykład 4: Problem klasyfikacji: Metody kNN, Naive Bayes, sieci Bayesowskie. Metody oceniania klasyfikatorów (slajdy)
- Wykład 5: Miara entropii, Drzewo decyzyjne (slajdy)
- Wykład 6: Drzewo decyzyjne dla dużych zbiorów danych (slajdy)
- Wykład 7: Problem klastrowania (slajdy)
- Wykład 8: klastrowania dużych zbiorów danych (slajdy)
- Wykład 9: Teoria uczenia się: (colt.pdf)
- Wykład 10: Wzorce, klasyfikacja zbiorem reguł w dużych zbiorach danych (slajdy)
- Wykład 11: Metody przygotowywania danych (slajdy)
- Wykład 12: Wzorce czasowe i sekwencyjne (slajdy)
- Wykład 13: Ukryty model Markowa (slajdy)
- Wykład 14: OLAP i Data mining (slajdy)
- Wykład 15: Web mining i text mining (slajdy);
Zaliczenie
Ocena końcowa jest liczona według sumy uzyskanych punktów z projektu i z egzaminu.
Egzamin
Egzamin pisemny odbędzie się w dniu 10 Czerwca 2009 o godzinie 14:15 w sali 2070.
Przykładowe zadania egzaminacyjne
|
