KMI/ZZD Získávání znalostí z dat

Rozvrh předmětu

Obsah předmětu

• 14.2.Úvod; úlohy a metody ZZD
• 21.2.Úloha klasifikace, empirický odhad chyby, validační techniky, kNN; (kód)
• 28.2.Python (velejemný úvod), rozhodovací stromy, obecný indukční algoritmus (neúplný kód,úplný kód, voting dataset, mushroom dataset, tutorial)
• 7.3.Normalizace kritéria splitu, chybějící hodnoty, ořezávání stromu (tutorial)
• 14.3.Další kritéria splitu, výhody a nevýhody rozhodovacích stromů, nejznámější algoritmy
• 21.3.Shlukování I (slajdy)
• 28.3.Shlukování II; perceptron (slajdy;tutorial)
• 4.4.vícevrstvé NN, backpropagation (tutorial)
• 11.4.Asociační pravidla, algoritmus Apriori
• 18.4.Asociační pravidla, algoritmus FP-Grow

Úkoly

• Rozhodovací stromy: Vytvořte Rozhodovací strom pro dataset credit approval, napište report popisujicí vsechny aspekty vašeho stromu (kriteria splitu a zastavení, ořezávání, zacházení s chybějícími hodnotami) i jeho vyhodnocení.
• Neuronové sítě Vytvořte neuronovou síť se skrytou vrstvami 784-800-10, a naučte ji na datech MNIST datasetu (http://yann.lecun.com/exdb/mnist/). Zastavte učení jakmile zjistíte konzistetní pokles přesnosti na testovací množině. Vyhodnoťte klasifikaci touto sítí.
• Asociační pravidla Najděte v datasetu Congressional Voting Records Data Set (https://archive.ics.uci.edu/ml/datasets/Congressional+Voting+Records; původní atributy rozdělte na voted-yes, voted-no, první atribut vynechte) asociační pravidla s minsupp=0.3 a minconf=0.9, určete Lift a IS faktor.