Kurz Data Mining  je určen osobám, které chtějí odhalit informace a znalosti ukryté v datech. Cílem tohoto kurzu není ukázat jen vhodné postupy, ale také způsob, jak co nejlépe prezentovat výsledky. V průběhu kurzu budou prezentovány nejrůznější techniky: korelační analýza, regresní analýza, časové řady, klasifikační stromy, neuronové sítě a další. Na závěr budou ukázány konkrétní příklady z oblasti vytěžování dat. V průběhu celého kurzu budou účastníci pracovat s modulem Statistica Data Miner.

Cílová skupina

• Analytik, statistik či datový specialista, který potřebuje zpracovávat rychle velké objemy dat.
• Zájemce o problematiku Data Miningu (dolování informací z dat).
• Typickými posluchači mohou být analytici z oblasti bankovnictví, pojišťovnictví a také pokročilí analytici z oblasti průmyslu.
• Pracovníci, kteří se chtějí seznámit s modulem Data Miner v softwaru TIBCO Statistica.

Cíle kurzu

• Seznámit se teoreticky i prakticky s množstvím metod spadajících do oblasti Data Miningu.
• Mimo jiné se účastníci naučí sestavovat a interpretovat predikční modely. Vyhodnotit jejich kvalitu či vybrat, který z výsledných modelů je pro danou situaci nejvhodnější.
• Naučit se pracovat v několika unikátních prostředích TIBCO Statistica určených přímo pro Data Mining.
• Naučit se používat modul Data Miner.

Osnova

Úvod

• Základní informace o softwaru Statistica
• Výukové zdroje pro software a možnosti nápovědy

Úvod do vytěžování dat, produkt

• Princip, možnosti, využití

Práce s Recepty (wizardem)

• Příprava dat (načtení, výběr proměnných, transformace, vzorkování dat, odstranění duplicitních vzorů, filtrace odlehlých hodnot, oprava chybějících údajů)
• Detekce a případné odstranění podobných vstupních příznaků (prediktorů)
• Výběr důležitých prediktorů pro požadovanou úlohu
• Vytváření klasifikačních a regresních modelů
• Vyhodnocení kvality vytvořeného modelů
• Nasazení modelu v praxi

Klasifikační a regresní stromy

• Princip, možnosti, využití
• CART stromy
• CHAID stromy
• Vytváření klasifikačních a regresních stromů v interaktivním režimu (generování stromu, prořezávání stromu, výběr rozhodovacích proměnných, výběr mezí)
• Generované stromy (Boosted Trees)
• Náhodné lesy (Random Forests)

Lineární modely

• Princip regrese
• (Obecné) lineární modely
• Zobecněné lineární modely
• Zobecněné aditivní modely
• MARSplines

Metody shlukování

• K-průměrů (k-means)
• Hierarchické a EM shlukování

Automatizované neuronové sítě

• Princip umělých neuronových sítí, základní typy (MLP, RBF, Kohonenova síť)
• Automatizovaný a vlastní návrh sítě

Metody strojového učení

• Bayesův klasifikátor
• SVM
• k-NN klasifikátor

Analýza nezávislých komponent (ICA)

Text Mining

• Účel, princip a zdroje Text Miningu
• Vytvoření a práce s indexovým souborem
• Asociační pravidla a sekvence

Nasazení modelů na reálná data z praxe

Kvalita získaných modelů

• Korelační analýza
• ROC křivka
• Grafy zisku a navýšení (Gains/Lift Cart)

Metody výběru vhodných příznaků

Sdružování rozsáhlých skupin hodnot příznaků (Binning)

Základy práce v pracovní ploše (Workspaces)

• Práce s uzly
• Využití přednastavených úloh (zejména pro klasifikaci a regresi)

Předpoklady účastníka

• Běžná obsluha počítače v prostředí Windows

Předchozí kurzy

Doporučujeme absolvovat kurz:

• Základní kurz statistiky I

Certifikace

• Účastník získá certifikát o absolvování kurzu

Délka kurzu

• 2 dny (2x 6h)

Pozn: Jednotlivé příklady v průběhu kurzu jsou procvičovány v anglické verzi softwaru Statistica.

Mgr. Vladimír Hofman, Státní zeměděský intervenční fond, Odbor kontrol na místě IACS a SOT
"Kurz byl přínosný. Naučil jsem se v něm ovládat jednotlivé přístupy k metodám Data miningu. Lektoři byli fundovaní."

Mgr. Marek Daniel, Ph.D., RWE Supply&Trading CZ, a.s.
"S kurzem Data mining jsem byl nadmíru spokojený. Probírané matematické metody byly velice zajímavé a lektor prokázal kromě svých odborných kvalit i výbornou schopnost je srozumitelným způsobem vysvětlit. Jednotlivá témata jsme si ukázali na příkladech a pracovali s nimi v programu Statistica. Je samozřejmě nutné mít k dispozici software odpovídající kvality, nicméně podle mého názoru byla orientace na Statisticu až příliš velká. Sám k ní přístup nemám a mnohem více bych ocenil materiály týkající se vlastního obsahu školení a nikoliv návody na používaní konkrétního softwaru."