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
– prikupljanje podataka iz poslovnog okruženja, dostupnih baza podataka, javnih lokacija na Internetu i sl.
– istraživanje i analiza prikupljenih podataka
– donošenje odgovarajućih zaključaka na osnovu sprovedenog istraživanja.

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
10 pismeni ispit
praktična nastava 30 usmeni ispit 30
kolokvijumi
samostalni projekat 30