KMI/ZZD Získávání znalostí z dat

Rozvrh předmětu

Přednáška: Středa 13:15--14:45 (LP-5073)
Cvičení: Středa 15:00--15:45 (LP-5070)

Doporučená literatura

A.K. Jain, R.C. Dubes -- Algorithms for Clustering Data, ISBN 978-0130222787

Obsah kurzu

17.2. organizační záležitosti, úvod
24.2. přednáška: hierarchické shlukování
2.3. přednáška: hierarchické shlukování (pokr.)
9.3. přednáška: nehierarchická shlukování
16.3. přednáška: nehierarchická shlukování (pokr.)
30.3. přednáška: Platnost shluků (pdf)
5.4. přednáška: Asociační pravidla, Apriori
13.4. přednáška: Asociační pravidla, FP-growth
20.4. přednáška: Redukce dimenze 27.4. přednáška: Rozhodovací stromy 2.5. přednáška: Logická analýza dat

Požadavky na zkoušku

-- splnit domácí úkoly

Zadání domácích úkolů

UKOL 1
Naimplementujte zobecněný Hubertův algoritmus, jako vlastnost p(k)
použijte 
- poloměr 2
- uzlovou souvislost 2

Demonstrujte na datasetu
https://archive.ics.uci.edu/ml/datasets/Iris
(řádky 1-5,51-55,101-105; sloupce 1-4)

Použijte Euklidovskou vzdálenost.
Nakreslete příslušné dendogramy.


UKOL 2
Implementujte metodu OPTICS
Demonstrujte na datasetu
https://archive.ics.uci.edu/ml/datasets/Iris
(sloupce 1-4)

UKOL 3
Pomoci libovolného interního indexu urcete optimální pocet shluků v datasetu
https://archive.ics.uci.edu/ml/datasets/Iris
(sloupce 1-4)


UKOL 4
Implementujte algoritmus Apriori

Demonstrujte na datasetu
https://archive.ics.uci.edu/ml/datasets/Congressional+Voting+Records

minsup: 0.3;  minconf: 0.9


UKOL 5
Implementujte rozhodovací strom (s lib. kritériem splitu a s lib. metodou ořezávání)

Demonstrujte na datasetu
https://archive.ics.uci.edu/ml/datasets/Congressional+Voting+Records