Стицање општих знања о методама истраживања података и могућностима њихове примене.

По завршетку курса студент је упознат са основним методама истраживања података и оспособљен за њихову практичну примену.

Увод у истраживање података. Основни појмови и дефиниције. Преглед технике истраживања података. Типови техника, основни циљеви и проблеми. Подаци: типови, препроцесирање, квалитет, мера сличности и различитости. Припрема података: сумаризације, чишћење, интеграција и трансформација, редукција и дискретизација. Правила придруживања, корелација и анализа честих образаца. Технике класификације: основни концепти и метрике. Статистички засновани алгоритми, алгоритми засновани на растојању и дрветима; алгоритми засновани на правилима, неуронским мрежама и подржавајућим векторима; укалупљивање модела. Груписање података (кластеровање). Основни концепти и алгоритми. Хијерархијски и партициони алгоритми. Анализа елемената ван граница. Визуализација података и резултата.

Увежбавање техника истраживања података кроз практичне примере са различитим колекцијама података.

Нема.

укупан фонд часова: 90

ново градиво: 20
разрада и примери (рекапитулација): 10

аудиторне вежбе: 45
лабораторијске вежбе: 0
рачунски задаци: 0
семинарски рад: 0
пројекат: 0
консултације: 0
дискусија/радионица: 0
студијски истраживачки рад: 0

преглед и оцена рачунских задатака: 0
преглед и оцена лабораторијских извештаја: 0
преглед и оцена семинарских радова: 0
преглед и оцена пројекта: 0
колоквијум са оцењивањем: 0
тест са оцењивањем: 10
завршни испит: 5

активност у току предавања: 0
тест/колоквијум: 30
лабораторијска вежбања: 0
рачунски задаци: 0
семинарски рад: 0
пројекат: 0
завршни испит: 70
услов за излазак на испит (потребан број поена): 0

Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar: Introduction to Data Mining, 2nd ed, Pearson Education, 2019.; Xindong Wu, Vipin Kumar (eds.): The Top Ten Algorithms in Data Mining, CRC Press, 2009.; Charu C. Aggarwal: Data Mining The Textbook, Springer, 2015.;