Program 6: DATA MINING U ANALIZOVANJU POSLOVNIH PODATAKA, OTKRIVANJE
SLOŽAJEVA
Kurs 1: Data mining:metodološki aspekti
Upoznavanje terminologije, prirode, svrha, osnovnih principa, tehnika i sistema data mining
Doznavanje kako data mining može pomoći u rešavanju problema odlučivanja u poslovanju
Razumevanje načina na koji se data mining skladno ugrađuje u procese poslovanja
Razumevanje načina na koji se data mining skladno ugrađuje u širi kontekst podrške odlučivanju
Razumevanje procesa i opšte primene data mining
Razumevanje razloga i načina pripreme sirovih podataka za data mining
Poznavanje različitih metoda i procedure data mining i njihovih svojstava
Sticanje znanja o načinu na koji se analiziraju i validiraju rezultati data mining
Sticanje znanja o tehnikama izgrađivanja i kombinovanja modela
Razumevanje problema tumačenja rezultata analize i validacije
Upoznavanje softverskih alata za data mining i kriterijuma za izbor najpodesnijih alata
Odabiranje tehnologije i proizvoda za data mining
Razumevanje zamki u data mining i načina na koji se one izbegavaju
Sadržaj:
• Značenje, smisao i značaj data mining
◦◦ Zašto data mining
◦◦ Šta je data mining
◦◦ Podaci, informacije i znanje u data mining
◦◦ Analizovanje podataka u rešavanju problema
• Data mining u poslovnom i tehničkom kontekstu
◦◦ Data mining i poslovna inteligencija
◦◦ Data mining i statistika
◦◦ Data mining i veštačka inteligencija
◦◦ Etički aspekti data mining
• Funkcije data mining
◦◦ Koje su osnovne funkcije data mining
◦◦ Klasifikacija funkcija data mining
• Strukturalni aspekti data mining
• Podaci u data mining
◦◦ Priroda podataka i nivoi merenja
◦◦ Uzorkovanje podataka
◦◦ Priprema podataka za data mining
• Tehnike i algoritmi u data mining
◦◦ Automatsko otkrivanje klastera
◦◦ Klasifikaciona stabla
◦◦ Neuronske mreže u data mining
• Modeli u data mining
◦◦ Čemu služe modeli
◦◦ Šta je model
◦◦ Koja su osnovna svojstva modela
◦◦ Naučno građenje modela
◦◦ Modelovanje vođeno teorijom i modelovanje vođeno podacima
◦◦ Modelovanje u data mining
◦◦
Izbor odgovarajuće tehnike modelovanja
◦◦
Tumačenje i razumevanje modela data mining
◦◦
Ocenjivanje modela prema postavljenim kriterijumima uspešnosti rešenja
◦◦
Kombinovanje većeg broja modela
M&I Academy
Ciljevi:
•
•
•
•
•
•
•
•
•
•
•
•
•
2 dana
•
◦◦
Tehnike i algoritmi kombinovanja modela
Proces data mining
◦◦ Faze životnog ciklusa projekta data mining
◦◦
Inicijacija projekta data mining
◦◦
Izrada projekta data mining
◦◦
Sprovođenje projekta data mining
◦◦
Okončavanje projekta data mining
Kome je namenjen:
• IT osoblju
• Voditeljima projekata I procesa
• Arhitektama DSS
• Analitičarima poslovanja
Kurs 2: Klasterska analiza i klasifikaciona stabla u data mining
Razumevanje osnovne svrhe i osnovnih svojstava klasterske analize
Poznavanje osnovnih vrsta i metoda klasterske analize
Poznavanje osnovnih vrsta i metoda određivanja sličnosti i različitosti
Poznavanje izračunavanja mera rastojanja
Poznavanje hijerarhijske klasterske analize
Poznavanje hijerarhijske klasterske analize STATSOFT STATISTICA
Poznavanje metoda particionisanja
Poznavanje k-means klasterske analize u STATSOFT STATISTICA
Poznavanje klasterske analize pomo}u neuronskih mreža
Razumevanje osnovne svrhe i osnovnih svojstava stabala odlučivanja
Razumevanje odnosa između klasterske analize i klasifikovanja algoritmima klasifikacionih stabala
Poznavanje osnovnih faza u primeni stabala odlučivanja
Poznavanje osnovnih metoda i algoritama za klasifikaciona stabla
Potrebna znanja za korišćenje algoritama klasifikacionih stabla u STATSOFT STATISTICA
Sadržaj:
• Klasterska analiza
◦◦ Oblast primene klasterske analize
◦◦ Dve osnovne vrste metoda klasterske analize
◦◦ Hijerarhijska klasterska analiza
• Dva vida hijerarhijske klasterske analize
◦◦
Mere rastojanja
◦◦
Mere rastojanja za intervalne podatke
◦◦
Mere sličnosti za binarne podatke
◦◦
Mere različitosti za binarne podatke
◦◦
Mere rastojanja za podatke o učestalostima
◦◦
Metodi merenja rastojanja između klastera
◦◦ Logičke i računske osnove K-means klasterske analize
◦◦ Interpretacija i validacija rezultata klasterske analize
• Klasifikaciona stabla
◦◦ Osnovne svrhe klasifikacionih stabala
◦◦ Osnovna svojstva klasifikacionih stabala
◦◦ Algoritmi klasifikacionih stabala odlučivanja
◦◦ Osnovne faze u primeni klasifikacionih stabala
◦◦
Određivanje kriterijuma tačnosti predviđanja
◦◦
Odabiranje deoba prediktorskih varijabli
◦◦
Obustavljanje deoba
◦◦
Odabiranje prave veličine stabla
M&I Academy
Ciljevi:
•
•
•
•
•
•
•
•
•
•
•
•
•
•
3 dana
◦◦ Ocenjivanje i verifikovanje stabla
◦◦ Osnovni metodi i algoritmi klasifikacionih stabala
◦◦ Prednosti i nedostaci stabala odlučivanja
◦◦ Kada se koristiti klasifikacionim stablom
Kome je namenjen:
• IT osoblju
• Voditeljima projekata
• Arhitektama DSS
• Analitičarima poslovanja
Kurs 3: WorkSchop:primena data mining tehnika
2 dana
Ciljevi:
• Sticanje praktičnih znanja u primeni data mining tehnika u rešavanju realnih poslovnih problema
Sadržaj:
• Izbor problema za data mining
• Primena algoritma data mininga
• Tumačenje rezultata data mininga
Kome je namenjen:
• IT osoblju
• Voditeljima projekata
• Arhitektama DSS
• Analitičarima poslovanja
Kurs 4: Data Mining projekti
2 dana
Sadržaj:
• Inicijalizacija projekta data mining
◦◦ Prepoznavanje i razumevanje problemske situacije
◦◦ Identifikovanje i formulisanje odgovarajućeg problema data mining
◦◦ Postavljanje ciljeva data mining u poslovnom kontekstu
◦◦ Eksploracija i razumevanje prostora mogućih dopustivih rešenja problema
• Izrada projekta data mining
◦◦ Postavljanje problema i ciljeva data mining
◦◦ Određivanje tipa i svrhe data mining
◦◦ Određivanje osnovnog skupa i/ili uzorka značajnih podataka
◦◦ Izabiranje najpodesnijih tehnika i sredstava za rešavanje postavljenog problema Data Mining
◦◦ Određivanje toka poduhvata Data Mining
◦◦ Određivanje sastava tima za obavljanje poduhvata Data Mining
◦◦ Specifikovanje aktivnosti, dužnosti učesnika i okvirnog vremenskog plana
• Sprovođenje projekta data mining
◦◦ Prikupljanje, eksploracija, razumevanje i ocenjivanje podataka
◦◦ Priređivanje podataka za Data Mining
◦◦ Izgrađivanje modela
◦◦ Tumačenje, razumevanje i ocenjivanje modela - rezultata poduhvata Data Mining
• Okončavanje projekta data mining
◦◦ Primena modela - rezultata Data Mining, praćenje i ocenjivanje efekata primene modela
◦◦ Pisanje završnog izveštaja o celokupnom poduhvatu Data Mining
M&I Academy
Ciljevi:
• Sticanje praktičnih znanja iz procesa pokretanja, izgradnje i upravljankja data mining projektima
M&I Academy
Kome je namenjen:
• Diveloperima poslovanja
• Voditeljima projekata
• Arhitektama DSS
• Analitičarima poslovanja
Download

Data Mining u analiziranju poslovnih podataka