Istraživanje podataka, MISP
Studijski program | Poslovna ekonomija i informatika | |||
Vrsta i nivo studija | master strukovne studije | |||
Naziv predmeta | Istraživanje podataka | |||
Broj ESPB | 6 | Status predmeta (obavezni/izborni) | Izborni | |
Cilj predmeta |
Osposobljavanje studenata za primenu tehnika, metoda i alata iz oblasti istraživanja i analize podataka (Data Mining). | |||
Ishod predmeta |
Nakon položenog predmeta, student – koristi principe i tehnike za istraživanje podataka – koristi savremene alate iz ove oblasti – analizira podatke, – kreira modele podataka, – projektuje i održava sisteme za istraživanje i analizu podataka u poslovnom domenu |
|||
Sadržaj predmeta | ||||
Teorijska nastava |
Teoretski i praktični aspekti pronalaženja informacija (Information retrieval) i istraživanja podataka (Data mining) – Podaci, Istraživanje podataka – Uvod u tehnike mašinskog učenja (Machine learning), veštačka inteligencija (Artificial intelligence), neuronske mreže (Neural networks),… – Osnovni koncepti i algoritmi (za klasifikaciju, za analizu klastera,…) – Upoznavanje sa programskim jezicima i alatima za analizu i istraživanje podataka – Istraživanje tekstova (Text mining) i ostalih ne struktuiranih podataka – Preuzimanje podataka sa veb sajtova (Web mining), društvenih mreža (Mining Social Networks), GIS i drugih sistema, i njihova dalja upotreba – Vizuelizacija podataka (Data visualization) |
|||
Praktična nastava (vežbe, DON, studijski istraživa-čki rad) | Vežbe obuhvataju sticanje veština za primenu tehnika, metoda i alata iz oblasti istraživanja i analize podataka kroz primere, uz upotrebu nekog od odgovarajućih programskih jezika (R, Python, Octave..) i uz upotrebu nekog od odgovarajućih alata (RStudio, Anaconda, RapidMiner, Weka,…)
Studenti rade samostalni projekat na temu koju dogovore sa predmetnim nastavnikom, a koji obuhvata |
|||
Literatura | ||||
1 | Han J., Kamber M., Data Mining, Concepts and Techniques, Morgan Kaufmann, 2011. | |||
2 | Witten I. H., Frank E., Hall M. A., Data Mining, Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2011. | |||
3 | Miner G., et al., Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications, Academic Press, 2012. | |||
4 | Liu B., Web Data Mining, Exploring Hyperlinks, Contents, and Usage Data, Springer, 2011. | |||
5 | Tan P., Steinbach M., Kumar V., Introduction to Data Mining, Addison Wesley, 2006. | |||
6 | Aggarwal C.C., Reddy C. K., Data clustering, Algorithms and Applications, CRC Press, 2014. | |||
Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine | ||||
Predavanja | Vežbe | DON | Studijski istraživački rad | Ostali časovi |
2 | 2 | 2 | ||
Metode izvođenja nastave |
Predavanja u učionici, sa demonstracijama na računaru i analizama slučajeva; Individualne vežbe studenata u računarskoj učionici (tehnike korišćenja programa, priprema samostalnih projekata); Samostalni projekti: Prikupljanje, istraživanje i analiza podataka. |
|||
Ocena znanja (maksimalni broj poena 100) | ||||
Predispitne obaveze | poena | Završni ispit | poena | |
aktivnost u toku predavanja |
pismeni ispit | |||
praktična nastava | 10 | usmeni ispit | 30 | |
kolokvijum | 30 | |||
projekat | 30 |