Extragerea Cunoștințelor Din Date

Learning time distribution

Learning outcomes

Knowledge

• Cunoașterea conceptelor specifice etapelor unui proces de extragere a cunoștințelor din date
• Cunoașterea principalelor tehnici de analiză a datelor: clasificare, grupare, regresie, reguli de asociere
• Ințelegerea modului în care se pot construi modele de predicție pornind de la date, a modului în care pot fi evaluate și a limitelor acestora

Skills

• Abilitatea de a analiza date și de a extrage cunoștințe din ele folosind instrumente specifice analizei datelor, inclusiv pentru cazul volumelor mari de date.
• Abilitatea de a implementa algoritmi de clasificare, regresie, grupare, extragere a regulilor de asociere, predicție în serii temporale etc.
• Abilitatea de a rezolva probleme din lumea reală folosind instrumente specifice analizei datelor
• Abilitatea de a lucra în echipa unui proiect de analiză a datelor

Responsibility

• Rezolvarea în manieră autonomă a problemelor
• Înțelegerea aspectelor referitoare la integritatea datelor și a riscurilor induse de utilizarea inadecvată a tehnicilor de extragere a informațiilor din date incomplete

Online platform

Course content

Course bibliography

Charu C. Aggarwal. Data Mining – the textbook, Springer, 2015 M. H. Dunham. Data Mining. Introductory and Advanced Topics, Pearson Education 2003 F. Gorunescu, Data Mining. Concepts, Models and Techniques, Springer, 2011 C. D. Manning, P. Raghavan and H. Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008. I.H. Witte, E. Frank, M.A. Hall. Data Mining – Practical Machine Learning Tools and Techniques, Morgan Kaufmann Publishers, 2011 J. Leskovec, A. Rajaraman, J. Ullman – Mining of Massive Datasets, http://infolab.stanford.edu/~ullman/mmds.html, 2020 D. Kroese, Z. Botev, T.Taimre, R. Vaisman, Data Science and Machine Learning: Mathematical and Statistical Methods, CRC Press, 2020 S. Skiena, The Data Science Design Manual, Springer, 2017 D. Zaharie: suport de curs în format electronic (Google Classroom – code 2b2cjlhv)

Seminar content

Seminar bibliography

Colecții de date de test: http://archive.ics.uci.edu/ml/datasets, https://www.kaggle.com/ J. Grus, Data Science from Scratch. First Principles with Python, O’Reilly, 2015 D. Zaharie - suport pentru laborator (Google Classroom – code 2b2cjlhv)

Corroboration

Conţinutul este în concordanţă cu structura cursurilor similare de la alte universităţi şi acoperă aspectele fundamentale utilizării tehnicilor de analiză a datelor și de extragere a modelelor din date

AI tools guidance

Evaluation and delivery

Performance standards

cunoașterea conceptelor de bază din analiza datelor abilitatea de a implementa un algoritm de extragere a cunoștințelor din date capacitatea de a identifica tehnica de clasificare, grupare, regresie adecvată rezolvării unei probleme reale abilitatea de a utiliza instrumente software dedícate extragerii de cunoștințe din date Nota finală se calculează ca medie ponderată a notelor acordate pentru componentele specificate la 10.4 și 10.5. Examenul se consideră promovat dacă media este cel puțin 5 (fiecare notă care intră în calculul mediei trebuie să fie cel puțin 4). La fiecare dintre sesiunile de examen (inclusiv cele de restanță și măriri) nota se calculează după aceeași regulă. In sesiunea de restanțe/măriri se pot da doar probele la care nu s-a obținut notă de promovare (minim 5), cu excepția cazului în care studentul dorește să susțină și probele deja promovate.

Additional info

(none)