Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

Név:	Beosztás:	Tanszék, Int.:
Katona Gyula PhD   Pintér Márta Barbara PhD   Sali Attila PhD	Egy. Docens   Egy. Docens   Egy. Docens	SZIT, BME   SZIT, BME    SZIT, BME

1. Adatbányászat fogalma, története, feladatai, alkalmazási területek, adatbányászat szoftverek
o Koncepcionális alapozás,
o adatbányászó primitívek
o DMQL (data mining query language),
o DM rendszer arhitektúrák
2. Előfeldolgozás, adattranszformációk, hasonlósági mértékek, hiányzó értékek kezelése, diszkretizálás, mintavételezés
3. Bevezetés az osztályozásba és a regresszióba, osztályozó módszerek, osztályozás feladata
4. Lokális többségen alapuló osztályozók, k-legközelebbi szomszéd módszere, partíciós- és kernel-szabály, k-d fa, alkalmazási példa: piacszegmentálás
5. Döntési fák felépítése, döntési fák és döntési szabályok, minimális döntési fa feladata, ID3 algoritmus (feltételes entrópia), CART/CHAID módszerek lényege, alkalmazási példa: hitelbírálat
6. Bayes-döntés, Bayesi hálózatok, naiv bayesi hálók (NBH), alkalmazási példa: hitelbírálat (folytatása)
7. Lineáris osztályozók, perceptron algoritmus, Vapnik algoritmusa, hipersíkkal nem szeparálható adatok, SVM, alkalmazási példa: karakterfelismerés, arcfelismerés, mozgó objektumok azonosítása,követése
8. Osztályozók kombinálása (bagging, randomizálás, boosting)
9. Konzisztencia, hibavalószínűség, osztályozók kiértékelése: ismételt mintavételezés, keresztvalidáció, bootstrap
10. Klasszikus klaszterezési célfüggvények, klaszterező algoritmusok típusai, partíciós algoritmusok
11. Hierarhikus-, sűrűség-alapú módszerek
o rács- és modellalapú klaszterező algoritmusok (STING,CLIQUE,MAFIA)
o a dimenzió redukció feladata és lehetőségei klaszterezéshez
12. Gyakori elemhalmaz keresés, Apriori algoritmus, alkalmazási példa: tipikus ügyfélviselkedések kinyerése
13. Szófa a gyakori elemhalmazok tárolására, Apriori algoritmus gyorsítása: bemenet tárolása (piros-fekete fa), zsákutca nyesés
14. Asszociációs szabály fogalma, szabályok kinyerése, érdekességi mutatók, függetlenség meghatározása, hierarchikus asszociációs szabályok, asszociációs szabályok és az osztályozás, alkalmazási példa: ügyfél viselkedés, márka hűség előrejelzés, bankkártya csalás detektálása
A gyakorlati órák tartalma:
A heti egy óra laborgyakorlatot kéthetente megtartott duplaóra formájában bonyolítjuk. A hallgatók egy-egy témakört felölelő feladatlapokat kapnak, amit önállóan kell a laborban megoldaniuk tanári felügyelet mellett.
1. Néhány piacvezető adatbányászati szoftver bemutatása, előfeldolgozás, adattranszformációk
2. Osztályozás: legközelebbi szomszéd módszere, döntési szabályok
3. Osztályozás: döntési fák
4. Neurális hálózatok, Bayesi hálózatok, SVM osztályozás
5. Klaszterezés
6. Gyakori elemhalmaz keresés, asszociációs szabály keresés, eredmények interpretációja, asszociációs szabálykeresés buktatói , érdekességi mutatók
7. Házi feladatok beadása, ellenőrzése

A szorgalmi időszakban: 2 zárthelyi, 1 nagy házi feladat
A jegybe a zárthelyik és nagy házi feladat egyenlő (1/3) mértékben számítanak be.

Értékelés: 50%-tól elégséges(2), 60%-tól közepes(3), 70%-tól jó(4), 80%-tól jeles(5)

• Dr. Bodon Ferenc: Adatbányászati algoritmusok, BME Számítástudományi és Információelmélet tanszék. Budapest, 2007, Online jegyzet http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulmany/index.html
• Dr. Abonyi János: Adatbányászat - A hatékonyság eszköze, ComputerBooks Kiadó Kft. Budapest, 2006
• Ian H. Witten and Eibe Frank: Data Mining: Practical machine learning tools and techniques, 2nd edition, Morgan Kaufmann, San Francisco, 2005.
• Sajtos László - Mitev Ariel: SPSS kutatási és adatelemzési kézikönyv, Alinea kiadó, Budapest, 2007.