|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KEM / DSSN
:
Popis předmětu
Pracoviště / Zkratka
|
KEM
/
DSSN
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Metody a systémy pro podporu rozhodování
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
10
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Seminář
24
[HOD/SEM]
|
Zápočet před zkouškou
|
Ne
|
Zápočet před zkouškou
|
Ne
|
Automatické uznávání zápočtu před zkouškou
|
Ano v případě předchozího hodnocení 4 nebo nic.
|
Počítán do průměru
|
NE
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ano v případě předchozího hodnocení 4 nebo nic.
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
NE
|
Zimní semestr
|
2 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní semestr
|
Vyučovaný semestr
|
Zimní semestr
|
Minimum (B + C) studentů
|
nestanoveno
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
S|N |
Periodicita |
každý rok
|
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ne
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
Nejsou definovány
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Cílem předmětu je seznámit s metodami, prostředky a systémy pro podporu rozhodování.
Dalším cílem je získání dovedností při použití nástrojů, které využívají předložené metody, a jejich praktické využití při rozhodování v podnikové praxi.
|
Požadavky na studenta
|
Aktivní účast minimálně na dvou blocích výuky, samostudium doporučených zdrojů a e-learning. Zpracování semestrální práce dle zaměření studenta (rozsah práce je 15 - 20 normostran) Zkouška je formou obhajoby uvedené semestrální práce a dále dle okruhů viz STAG.
|
Obsah
|
Předmět je určen pro doktorské studium.
Využití informace a znalosti v rozhodovacích procesech,
Proces dobývání znalostí z databází, metodika CRISP-DM.
Zdroje dobývání znalostí: databáze, statistické metody, strojové učení.
Metody strojového učení: rozhodovací stromy, rozhodovací pravidla, asociační pravidla, neuronové sítě, genetické algoritmy, bayesovské metody učení.
Využití statistických nástrojů a nástrojů strojového učení v SW Statistica a SW Mathematica.
Způsoby hodnocení sestrojených modelů.
Metody přípravy dat.
Přehled systémů pro dobývání znalostí z databází.
Principy systémů pro podporu rozhodování (Decision Support System - DSS).
Nástroje pro tvorbu systémů pro podporu rozhodování.
Prediktivní trhy, principy a využití v DSS
|
Aktivity
|
|
Studijní opory
|
e-learning (Moodle)
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
Rud, Olivia Parr. Data mining : praktický průvodce dolováním dat pro efektivní prodej, cílený marketing a podporu zákazníků (CRM). Vyd. 1. Praha : Computer Press, 2001. ISBN 80-7226-577-6.
-
Základní:
Berka, Petr. Dobývání znalostí z databází. Vyd. 1. Praha : Academia, 2003. ISBN 80-200-1062-9.
-
Základní:
Fotr, Jiří; Hájek, Jiří; Vrbová, Lucie. Počítačová podpora manažerského rozhodování. Vydání první. 2016. ISBN 978-80-245-2135-0.
-
Základní:
Hebák, Petr. Statistické myšlení a nástroje analýzy dat. Vyd. 1. Praha : Informatorium, 2013. ISBN 978-80-7333-105-4.
-
Doporučená:
Jensen, Finn V. Bayesian networks and decision graphs. New York : Springer, 2001. ISBN 0-387-95259-4.
-
Doporučená:
Rokach, Lior; Maimon, Oded. Data mining with decision trees : theory and applications. Hackensack : World Scientific, 2008. ISBN 978-981-277-171-1.
-
Doporučená:
Turban, Efraim; Aronson, Jay E.; Liang, Ting-Peng. Decision support systems and intelligent systems. 7th ed. Upper Saddle River : Pearson/Prentice Hall, 2005. ISBN 0-13-046106-7.
-
Doporučená:
Mitchell, Tom Michael. Machine learning. Boston : McGraw-Hill, 1997. ISBN 0-07-042807-7.
-
Doporučená:
Vaughan Williams, Leighton. Prediction markets : theory and applications. New York : Routledge, 2011. ISBN 978-0-415-57286-6.
-
Doporučená:
Gangur, Mikuláš. Prediktivní trhy : principy, struktura a využití prediktivních trhů : pobídkové a motivační systémy prediktivních trhů : problematika implementace prediktivního trhu. Vydání první. 2015. ISBN 978-80-7478-847-5.
-
Doporučená:
Hendl, Jan. Přehled statistických metod : analýza a metaanalýza dat. 2015. ISBN 978-80-262-0981-2.
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
E-learning [dáno e-learningovým kurzem]
|
80
|
Příprava prezentace (referátu v cizím jazyce) [10-15]
|
20
|
Projekt týmový [20-60 / počet studentů]
|
25
|
Příprava na souhrnný test [6-30]
|
40
|
Projekt individuální [40]
|
60
|
Kontaktní výuka
|
24
|
Účast na exkurzi [reálný počet hodin - max. 8h/den]
|
11
|
Celkem
|
260
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
Sestavit základní SQL příkazy pro získání požadovaných dat. |
Aplikovat znalosti získané v kurzech KEM/STA, KEM/SZD a KEM/ADM. |
Použít prakticky teorii statistického testování hypotéz. |
Analyzovat závislost dvou proměnných, aplikovat teorii regresních funkcí jedné vysvětlující proměnné. |
Provést explorativní analýzu dat a ověřit jejich kvalitu. |
Pracovat s kovariančními a korelačními maticemi. |
Pracovat s maticemi, znat jejich vlastnosti a aplikovat maticové operace, nalézt vlastní čísla a vlastní vektory. |
Odborné dovednosti - pro úspěšné zvládnutí předmětu se předpokládá, že student před zahájením výuky dokáže: |
Pracovat s vybraným databázovým systémem pro získání požadovaných dat. |
Pracovat s rozšířeným seznamem statistických funkcí v MS Excel. |
Pracovat se základními funkcemi SW Statistica (načtení dat, modifikace dat, základní statistiky, grafy). |
Pracovat se základními funkcemi SW Mathematica (základy práce s notebookem, vkládání funkcí, práce s napovědou, grafické funkce). |
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
vytvořit kvalifikační práci v požadované struktuře
používat statistické metody na úrovni magisterského studia
provést rešerši anglického a českého článku |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
Získat přehled vybraných metod zpracování dat. |
Porozumět principům vybraných metod, znát předpoklady jejich použití. |
Porozumět výstupům a znát postupy následné interpretace. |
Porozumět principům data miningu a porozumět kritériím pro volbu vhodných metod. |
Odborné dovednosti - po absolvování předmětu prokazuje student dovednosti: |
Volit správné metody s ohledem na analýzu problému. |
Analyzovat a ověřovat kvalitu dat. |
Použít prakticky zvolené metody ve vybraném SW (Statistica, Mathematica, MS Excel). |
Testovat modely a provést jejich srovnání, interpretovat výsledky na základě výstupů, aplikovat výsledky při vlastním rozhodování. |
Aplikovat výsledky při vlastním rozhodování. |
Obecné způsobilosti - po absolvování předmětu je student schopen: |
používat pokročilé statistické a data miningové metody
aplikovat vhodné software podporu rozhodování na praktické problémy
|
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Ústní zkouška, |
Výstupní projekt, |
Individuální prezentace, |
Odborné dovednosti - odborné dovednosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Demonstrace dovedností (praktická činnost), |
Výstupní projekt, |
Seminární práce, |
Individuální prezentace, |
Obecné způsobilosti - obecné způsobilosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Seminární práce, |
Demonstrace dovedností (praktická činnost), |
Výstupní projekt, |
Individuální prezentace, |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Přednáška s diskusí, |
Seminární výuka (diskusní metody), |
E-learning, |
Samostudium, |
Individuální konzultace, |
Skupinová konzultace, |
Samostatná práce studentů, |
Odborné dovednosti - pro dosažení odborných dovedností jsou užívány vyučovací metody: |
Seminární výuka (diskusní metody), |
Přednáška s aktivizací studentů, |
Individuální konzultace, |
Skupinová konzultace, |
Obecné způsobilosti - pro dosažení obecných způsobilostí jsou užívány vyučovací metody: |
Individuální konzultace, |
Seminární výuka (diskusní metody), |
Diskuse, |
Prezentace práce studentů, |
Přednáška s aktivizací studentů, |
|
|
|
|