MOODLE CHI

Cieľom projektu je porozumieť významu databázových systémov a pojmov v oblasti, pochopiť relačný dátový model a jeho význam v databázových systémoch; naučiť sa pracovať s jazykom SQL, pomocou neho definovať z relačného modelu schému databázy, napĺňať ju údajmi a vytvárať pokročilejšie dopyty; získať základne vedomosti v oblasti ukladaných (storovaných) procedúr a trigrov; porozumieť matematickému pozadiu jazyka SQL - relačnej algebre; oboznámiť sa so základmi NoSQL databáz.

Cieľom predmetu je poskytnúť študentom prehlaď vedomostí a nadobudnúť praktické zručnosti pri aplikovaní pokročilých metód analýzy dát zameraných hlavne na mnohorozmerné dáta a dáta, ktoré nie sú priamo reprezentované v tabuľkovej forme. Tento predmet nadväzuje a rozširuje vedomosti získané počas štúdia v základných predmetoch Objavovania znalostí v databázach a Strojového učenia.

Cieľom predmetu je poskytnúť študentom nielen teoretické vedomosti ale aj praktické zručnosti potrebné pri procese analýzy a návrhu informačných systémov v rôznych aplikačných doménach. Po úspešnom absolvovaní tohto predmetu študenti môžu získané znalosti a skúsenosti s jazykom UML a štandardnom BPMN využiť pri riešení svojich bakalárskych prác alebo iných semestrálnych projektov orientovaných na vývoj softvérových aplikácií.

Cieľom predmetu je poskytnúť študentom teoretické a praktické znalosti z hospodárskej informatiky a príbuzných oblastí ako manažment inovácií (zavádzanie zmien do praxe), procesný manažment a riadenie, informačný manažment, podniková analytika, marketing (zostavovanie marketingových stratégií a plánov), podpora manažmentu prostredníctvom vhodných IT riešení, atď. Dôležité faktory predstavujú aktuálnosť a všeobecný prehľad.

V tomto virtuálnom priestore nájdete najmä pozvané prednášky z praxe.

Zimný semester - 2021/2022

·       Cieľom predmetu je poskytnúť študentom poznatky tak v oblasti sémantického ako aj sociálneho webu. Oboznámi ich so základnými aspektmi sémantického webu a motiváciou jeho vzniku, s technológiami sémantického webu – značkovacie jazyky (rdf), s metodológiami tvorby ontologických modelov (owl) ako aj s metódami vizualizácie ontologických modelov, s použitím nemonotónnych logík v sémantickom webe, ako aj najznámejšími aplikáciami sémantického webu (Wolfram Alpha, ...). Ďalej študent získa základné poznatky v oblasti sociálneho webu týkajúce sa definície problémov sociálneho webu a metód používaných na ich riešenie ako aj metód reprezentácie a vizualizácie sociálnych sietí a metód analýzy sociálnych sietí. V rámci tejto dátovej analýzy konverzačného obsahu sa predmet sústredí na metódy analýzy sentimentu v platformách sociálneho webu, konkrétne na klasifikáciu názorov a emócií, ale hlavne na detekciu antisociálneho prispievania v online diskusiách na webe. V rámci tohto zamerania sa predmet venuje tak detekcii toxických príspevkov (falošné správy, hoaxy, phishing, troling) ako aj ich autorov (trol verzus autorita).

Cieľom predmetu je poskytnúť študentom hlboké znalosti z oblasti strojového učenia. Po úvode do strojového učenia, základných pojmoch a definícii cieľov a metód strojového učenia sa kurz sústreďuje na historicky najstarší prístup a to učenie prehľadávaním priestoru pojmov a priestoru príznakov. Nasledujú metódy automatického generovania modelov produkčných pravidiel, rozhodovacích stromov a zoznamov. Rozhodovacie stromy tak predikčné ako aj regresné tvoria základ oblasti strojového učenia. Ďalej nasledujú metódy na tvorbu modelov založených na prahových pojmoch (kam patrí veľmi úspešná metóda SVM) a etalónov. Predmet sa venuje aj pravdepodobnostnému pojmu, ktorý je reprezentovaný Naivným Bayes klasifikátorom často používaným ako base-line metóda. Súčasťou predmetu je aj klasifikácia súborom metód (boosting a bagging) vrátane veľmi úspešnej metódy generovania náhodného lesa rozhodovacích stromov (Random Feorest). Predmet sa venuje aj hlbokým neurónovým sieťam, ktoré sú schopné generovať najpresnejšie modely v rôznych aplikačných oblastiach. Je tu venovaný priestor nielen doteraz spomínaným metódam kontrolovaného učenia, ale aj metódam nekontrolovaného učenia (zhlukovacie techniky) a posilňovanému učeniu (Reinforcement learning). Napokon sú tu témy zamerané na techniky merania efektívnosti modelov, výpočtovú teóriu učenia a základné princípy prístupov k automatickému učeniu.