Z8119 Vyhledávání znalostí v prostorových datech metody dolování ze strukturovaných geografických dat přednáška 2 h, pondělí 14-15,40 Z4, cvičení 1h projekt klasifikovaný zápočet http://www.fi.muni.cz/~popel/lectures/geomining/ Výzkumný záměr MŠM Dynamická geovizualizace v krizovém managementu Žerotínovo nám. 9, Brno, 601 77 -- 2.patro - počítačová učebna geografie Cvičení Z4 17-18

Obsah I Metody a systémy pro dolování Vyhledávání znalostí v databázích Základy strojového učení, učení s učitelem., učení bez učitele. Asociační pravidla. Induktivní logické programování Systémy. Weka. R. Statistica, Orange, Clementine, Microsoft, MineSet Metody předzpracování dat Jazyky pro dolování v datech

Obsah I I Dolování ve strukturovaných datech Dolování v objektově orientovaných databazích, v textu a hypertextu Logiky pro prostorová a časově-prostorová data Dolování v geografických datech. Rastrová a vektorová data. Hledání asociačních pravidel Systémy: GeoMiner. GWiM. SPADA

Obsah I I I GRR Struktura, GIS GRASS Příprava a předzpracování dat Analytické metody Experimenty s GRR

Obsah I V Vizualizace a krizový management Vizualizace geografických dat. CommonGIS (Fraunhoffer Institut Bonn) Krizový management a EU projekt EGERIS Výzkumný záměr MŠM Dynamická geovizualiizace v krizovém managementu

Obsah V Projekty KD Labu FI Analýza satelitních snímků Vichřice v českých zemích Analýza textů o záplavách

Literatura Petr Berka, Dobývání znalostí z databází. Academia, 2003. Tom Mitchell, Machine Learning, McGraw-Hill, 1997. Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques. Academic Presss 2001. Natalia and Gennady Andrienko, Exploratory Analysis of Spatial and Temporal Data. Springer 2005.

Metody a systémy pro dolování

Vyhledávání znalostí v databázích Datový sklad Výběr dat Předzpracování dat Data mining Vyhodnocení výsledku

Vyhledávání znalostí: CRISP DM

Strojové učení I Tom, Mitchel, Machine Learning, 1993 učicí množina příkladů hledáme generalizaci učicí množiny ověřujeme na testovací množině Statistické metody, explorační analýza dat a strojové učení

Strojové učení II Učení s učitelem (supervised learning) klasifikační úlohy, učicí příklady jsou klasifikovány do tříd (diskrétních či spojitých) Učení bez učitele (unsupervised learning) shlukování podobných objektů Deskriptivní úlohy (Agrawal 91) „A a B a C platí často“ často = častěji než daná mez „platí-li D a E, pak platí F“ (support,konfidence)

Učení s učitelem I supervised learning klasifikace (dokumentů, slov) do předem známých tříd rozhodovací stromy, pravidla (Quinlan 93) učení z instancí (Timbl, http://ilk.kub.nl/software.html) bayesovské učení (Mitchell 93) support vector machines (Bennett00, Cristianini00) neuronové sítě (Hassoun95)