Data mining – kurs podstawowy

Data mining (inaczej uczenie maszynowe, ang. machine learning) jest działem sztucznej inteligencji, coraz częściej stosowanym w nauce, badaniach innowacyjnych i rozmaitych zastosowaniach komercyjnych. Dzięki narzędziom data mining można wykrywać anomalie, przewidywać, grupować obiekty w podobne segmenty: ogólnie uzyskiwać odpowiedzi na rozmaite pytania. Przykładowe zastosowania to określania, czy pewien obszar lasu jest zakażony szkodnikiem, jaki jest w pływ zanieczyszczeń w górnym odcinku rzeki na środowisko w dolnym, określanie ryzyka kredytowego, przewidywanie zapotrzebowania na energię elektryczną, określanie właściwości produktu na podstawie danych o jego wytwarzaniu, przewidywanie awarii – zakres możliwych zastosowań jest bardzo szeroki.

Celem kursu jest zapoznanie jego uczestników z podstawowymi zasadami data mining (zgłębiania danych) oraz metodami uczenia maszyn (m.in. drzewami decyzyjnymi i sieciami neuronowymi), tak aby mogli samodzielnie realizować projekty data mining

Dla kogo?

• każdego, kto chce poznać podstawy data mining
• osób pragnących analizować duże zbiory danych w celu wspomagania podejmowania decyzji

Co zyskasz?

• dowiesz się, jak przygotowywać dane do analiz
• poznasz najważniejsze metody data mining
• nauczysz się dobierać odpowiednią metodę analityczną
• pozyskasz wiedzę w zakresie oceny uzyskanego modelu, wykonywania analiz oraz stosowania uzyskanych modeli (deployment)
• nauczysz się tworzyć i wykorzystywać Przestrzenie robocze w Statistica

Program szkolenia:

1. Podstawowe idee data mining
   • Modele data mining
   • Rodzaje zadań data mining
   • Przeuczenie i podział na próby
2. Środowisko Statistica Data Miner
   • Wprowadzenie
   • Dane wejściowe
   • Przeglądarka węzłów
   • Przykład prostej analizy w systemie Statistica Data Miner
3. Specjalistyczne moduły systemu Statistica Data Miner (przegląd)
   • Wstępne przetwarzanie danych
   • Metody predykcyjnego data mining (uczenie z nauczycielem)
   • Odkrywanie wiedzy (uczenie bez nauczyciela)
   • Moduły stosowane po uzyskaniu modelu
4. Wprowadzenie do wybranych metod data mining
   • Regresja logistyczna
   • Drzewa klasyfikacyjne i regresyjne
5. Przykłady analiz w systemie Statistica Data Miner
   • Wstępna obróbka danych – czyszczenie i przekształcenia
   • Zadanie regresyjne
   • Analiza skupień (segmentacja)

Wymagania:

• umiejętność obsługi komputera w środowisku Windows
• znajomość podstaw analizy danych