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

Računalniško podprto odkrivanje znanstvenih zakonitosti iz strukturiranih, prostorskih in časovnih podatkov

Programi:

Informacijske in komunikacijske tehnologije, 3. stopnja

Sodelavci:

prof. dr. Sašo Džeroski

Cilji:

Cilj predmeta je seznaniti študenta s področji računalniškega odkrivanja znanstvenih zakonitosti in učenja iz kompleksnih podatkov, vključno s strukturiranimi, prostorskimi in časovnimi podatki.
Kompetence študenta z uspešno zaključenim predmetom bodo vključevale razumevanje osnovnih pojmov iz obeh področij, poznavanje sodobnih metod in znanje o primerih uporabe le-teh na dveh pomembnih znanstvenih področjih (znanosti o okolju in znanosti o življenju).

Vsebina:

Znanstvena metoda:
strukture znanstvenega védenja, znanstvene aktivnosti in procesi

Računalniško podprto odkrivanje znanstvenih zakonitosti:
uvod, zgodovinski razvoj področja, osnovne metode, npr. odkrivanje enačb, omrežij in poti, induktivno modeliranje procesov

Rudarjenje znanstvenih podatkov:
posebne zahteve pri rudarjenju znanstvenih podatkov v primerjavi z rudarjenjem poslovnih, finančnih, prodajnih podatkov; induktivne baze podatkov

Rudarjenje strukturiranih, časovnih in prostorskih podatkov:
metode za napovedovanje strukturiranih vrednosti ter rudarjenje prostorskih in časovnih podatkov

Aplikacije v znanostih o okolju:
modeliranje habitata in modeliranje
populacijske dinamike

Aplikacije v znanostih o življenju:
aplikacije v bioinformatiki, biomedicini in sistemski biologiji, npr. napovedovanje funkcije genov, odkrivanje metaboličnih in regulacijskih poti)

Temeljna literatura in viri:

Izbrana poglavja iz naslednjih knjig:

• S. Džeroski, and L. Todorovski, Eds. Computational Discovery of Scientific Knowledge. Springer, 2007. ISBN 978-3-540-73919-7
• T. Hey, S. Tansley, and K. Tolle, Eds. The Fourth Paradigm: Data-Intensive Scientific Discovery. Microsoft Research, 2009. ISBN 978-0-982-54420-4
• M. Gaber, Ed. Scientific Data Mining and Knowledge Discovery: Principles and Foundations. Springer, 2010. ISBN 978-3-642-02787-1
• S. Džeroski, B. Goethals, and P. Panov, Eds. Inductive Databases and Constraint-Based Data Mining. Springer, 2010. ISBN 978-1-4419-7737-3

Izbrane reference nosilca:

• E. Ikonomovska, J. Gama, and S. Džeroski. Online tree-based ensembles and option trees for regression on evolving data streams. Neurocomputing 150, 458-470, 2015.
• P. Panov, L. Soldatova, and S. Džeroski. Ontology of core data mining entities. Data Mining and Knowledge Discovery 28 (5-6), 1222-1265, 2014.
• D. Kocev, C. Vens, J. Struyf, and S. Džeroski. Tree ensembles for predicting structured outputs. Pattern Recognition 46 (3), 817-833, 2013.
• D. Čerepnalkoski, K. Taškova, L. Todorovski, N. Atanasova, and S. Džeroski. The influence of parameter fitting methods on model structure selection in automated modeling of aquatic ecosystems. Ecological Modelling 245, 136-165, 2012.
• G. Madjarov, D. Kocev, D. Gjorgjevikj, and S. Džeroski. An extensive experimental comparison of methods for multi-label learning. Pattern Recognition 45 (9), 3084-3104, 2012.

Načini preverjanja znanja:

Seminarska naloga (50%)
Ustni zagovor seminarske naloge (50%)

Obveznosti študentov:

Seminarska naloga
Ustni zagovor seminarske naloge

Zunanje povezave: