MPŠ
MPŠ MP&Scaron MP&Scaron MP&Scaron Avtorji

Mednarodna
podiplomska šola
Jožefa Stefana

Jamova 39
SI-1000 Ljubljana
Slovenija

Tel: (01) 477 31 00
Faks: (01) 477 31 10
E-pošta: info@mps.si

Išči

Opis predmeta

Analiza senzorskih podatkov

Programi:

Senzorske tehnologije, 3. stopnja

Sodelavci:

prof. dr. Dunja Mladenić

Cilji:

Cilji:
• poznavanje lastnosti senzorskih podatkov in metapodatkov, ter pomembnosti upoštevanja lokacije senzorjev in časa senzorskih meritev,
• razumevanje obravnavanja senzorskih podatkov, predprocesiranja senzorskih podatkov in integracije različnih podatkovnih virov,
• razumevanje in uporaba različnih metod za analizo senzorskih podatkov,
• primerjava in uporaba primernih virov podatkov glede na zahteve dane aplikacije, izbira ustreznih korakov predprocesiranja, metod za analizo podatkov in načina ovrednotenja rezultatov analize.

Kompetence:
• sposobnost primerjalne analize senzorskih podatkov glede na lastnosti in zahteve,
• sposobnost realizacije smiselnega in izvedljivega zaporedja akcij za obravnavo in predprocesiranje senzorskih podatkov ter povezovanje z drugimi podatki,
• sposobnost izbire in uporabe primerne metode za analizo potencialno velikih količin senzorskih podatkov,
• sposobnost eksperimentalnega ovrednotenja in primerjave rezultatov analize senzorskih podatkov.

Vsebina:

• Osnovne lastnosti senzorskih podatkov in metapodatkov za potrebe analize senzorskih podatkov vključno s statističnimi podatki, podatki o lokaciji senzorjev in dinamičnimi podatki povezanimi s časom.
• Primerjava obravnavanja senzorskih podatkov iz podatkovne baze in senzorskih podatkov pridobljenih v realnem času.
• Predprocesiranje senzorskih podatkov vključno s čiščenjem podatkov in bogatenjem podatkov z uporabo predznanja in/ali konteksta.
• Integracija drugih relevantnih podatkov (npr. vreme, tekstovna sporočila) s senzorskimi podatki.
• Osnovne in napredne metode za analizo senzorskih podatkov vključno s prepoznavanjem vzorcev, detekcijo anomalij, modeliranjem in napovedovanjem.
• Poglobljeno individualno delo na obravnavi realnega primera iz študentovega raziskovalnega dela: izbira primernih podatkov in relevantnega problema, ki ga bo študent obravnaval z metodami analize senzorskih podatkov, izbira primernih pristopov za predprocesiranje podatkov in metod za analizo podatkov.

Temeljna literatura in viri:

Knjiga:
• Charu C. Aggarwal (ed.): Managing and Mining Sensor Data, 2013, Springer.
• Joao Gama and Mohamed M. Gaber (eds.): Learning from Data Streams, Springer, 2007.
• Jure Leskovec, Anand Rajaraman and Jeff Ullma: Mining of Massive Datasets, 2013 http://infolab.stanford.edu/~ullman/mmds.html

Revije:
• IEEE Transactions on Knowledge and Data Engineering.
• Data Mining and Knowledge Discovery, Springer.

Izbrane reference nosilca:

Bibliografski podatki / Bibliography (izpis polne bibliografije je na voljo z izpisom iz javnodostopne baze COBISS):
• 45 izvirnih znanstvenih člankov,
• 3 vabljena predavanja na konferencah,
• 140 konferenčnih prispevkov,
• 1 patentna prijava,
• 2 monografiji,
• 26 poglavij v monografskih publikacijah,
• Web of Science: 1100 čistih citatov,
• Hirsch index h = 15.

Reprezentativne reference za področje predmeta:
• KENDA, Klemen, FORTUNA, Carolina, MORARU, Alexandra, MLADENIĆ, Dunja, FORTUNA, Blaž, GROBELNIK, Marko. Mashups for the web of things. In: ENDRES-NIGGEMEYER, Brigitte (ed.). Semantic mashups : intelligent reuse of web resources. Berlin; Heidelberg: Springer, 2013.
• GROBELNIK, Marko, MLADENIĆ, Dunja. Automated knowledge discovery in advanced knowledge management. Journal of knowledge management, ISSN 1367-3270, 2005, vol. 9.
• MLADENIĆ, Dunja, EDDY, William F., ZIOLKO, Scott. Data mining of baskets collected at different locations over one year. Informatica, ISSN 0350-5596, 2001, 25:3.
• Nosilka raziskovalnih projektov, ki vključujejo analizo senzorskih podatkov: 7.OP Mobis - Personalized Mobility Services for energy efficiency and security through advanced Artificial Intelligence techniques, 7. OP ENVISION Environmental Services Infrastructures with ontologies.
• Mentorica pri magistrski nalogi: Alexandra Moraru, Enrichment of sensor descriptions and measurements using semantic technologies.

Načini preverjanja znanja:

Seminarska naloga s predstavitvijo in zagovorom rešitve izbranega primera (60%)
Ustni izpit (40%)

Obveznosti študentov:

Seminarska naloga s predstavitvijo in zagovorom rešitve izbranega primera.
Ustni izpit.

Zunanje povezave: