Datové inženýrství

Garant specializace: prof. RNDr. Jan Rauch, CSc.
Garantující katedra: Katedra Informačního a znalostního inženýrství
Ident VS: 4DI
Data a analytika pro praxi powered by

Popis vedlejší specializace

Specializace představuje základní metody týkající se zpracování dat s cílem porozumět procesům, které data generují. Důraz je kladen na seznámení s aktuálními výzkumnými trendy. Specializace je vhodná zejména pro studenty statistických oborů, kterým jejich nabyté znalosti umožní:

  • aplikovat metody data miningu pro řešení typických praktických problémů,
  • aplikovat metody business intelligence a competitive intelligence,
  • připravovat v databázích uchovávaná nebo na webu vystavená data pro analýzy,
  • prezentovat výsledky analýz ve vhodné formě pro manažerské rozhodování,
  • aplikovat metody řízení datové kvality,
  • orientovat se v aktuálních trendech výzkumu v oblasti data miningu.
Uplatnění absolventů:

Studium této vedlejší specializace absolventům významně rozšíří možnosti uplatnění na analytických odděleních firem a institucí. Po jeho absolvování budou kvalifikováni vykonávat následující funkce:

  • Data Scientist,
  • Data Curator,
  • Digital Knowledge Manager,
  • datový vědec,
  • datový analytik,
  • datový inženýr,
  • datový architekt,
  • Chief Data Officer.

Podmínky vstupu

Vedlejší specializace není určena studentům následujících programů:

  • Data a analytika pro business by KPMG,
  • Kognitivní informatika,
  • Podniková informatika,
  • Znalostní a webové technologie.

Zájemcům je doporučeno předem absolvovat volitelný předmět bakalářského studia 4IZ260 – Úvod do dobývání znalostí z databází.

Kapacita na semestr: neomezena

Studijní plán

I. Povinné předměty – 20 ECTS kreditů
Ident Název předmětu Počet hodin Zakončení Počet kreditů
4IZ450 Dobývání znalostí z databází * 2/2 zkouška 6 ECTS
4IZ460 Pokročilé přístupy k dobývání znalostí z databází 2/2 zkouška 6 ECTS
4IZ503 Projektový seminář ** 0/2 zkouška 3 ECTS
4IT403 Základní analytika a reporting 2/2 zkouška 5 ECTS

* Předmět je zaměnitelný s 4IZ451 Dobývání znalostí z databází (v angličtině) a 4IZ480 Pokročilá business analytika. Předmět nelze studovat po absolvování 4IZ451 a nelze studovat po absolvování 4IZ480.
** Předmět studovat po absolvování 4IT403 nebo studovat po absolvování 4IZ450 nebo studovat po absolvování 4IZ460.

II. Volitelné předměty – 10 ECTS kreditů
Ident Název předmětu Počet hodin Zakončení Počet kreditů
4IT402 Architektury business analytiky 0/2 zkouška 3 ECTS
4IT438 Business Intelligence a Data Science 26/26 zkouška 6 ECTS
4IT550 Competitive Intelligence * 2/0 zkouška 3 ECTS
4IT506 Competitive Intelligence * 2/0 zkouška 3 ECTS
4IZ560 Data mining – praktické aplikace ** 2/0 zkouška 3 ECTS
4IZ581 Data mining – praktické aplikace ** 2/0 zkouška 3 ECTS
4IT218 Databáze 2/2 zkouška 6 ECTS
4IZ470 Dolování znalostí z webu 2/2 zkouška 6 ECTS
4IZ552 Elektronická sazba a publikování 0/2 zkouška 3 ECTS
4IT509 Nástroje pro podporu business analytiky 0/2 zkouška 3 ECTS
4ME506 Pokročilá vizualizace **** 0/2 zkouška 3 ECTS
4IZ566 Programovací jazyky pro data science – Python a R *** 2/2 zkouška 6 ECTS
4IZ565 Programovací jazyky pro data science – Python a R (v angličtině) *** 2/2 zkouška 6 ECTS
4IT101 Programování v Javě 2/2 zkouška 7 ECTS
4IZ440 Propojená data na webu 2/2 zkouška 6 ECTS
4IT405 Řízení dat a analytiky pro business 2/2 zkouška 5 ECTS
4IZ562 Řízení datové kvality 2/2 zkouška 6 ECTS
4IT501 Self Service Business Intelligence 0/2 zkouška 3 ECTS
4IZ481 Trendy a novinky v business analytice I 0/2 zkouška 3 ECTS
4IT409 Trendy a novinky v business analytice II 0/2 zkouška 3 ECTS
4IZ570 Trendy ve znalostních technologiích (anglicky) 26/0 zkouška 3 ECTS
4MM451 Výpočetní metody a analýza dat (v angličtině) 2/2 zkouška 6 ECTS
4IT449 Vývoj aplikací na platformě .NET zkouška 6 ECTS

* / ** / *** Student může studovat jen jeden z dvojice předmětů.
**** Předmět studovat po absolvování 4IT403.

Souborná zkouška

  1. Multidimenzionální analýza
  2. Datové sklady
  3. Self Service Business Intelligence
  4. Proces a úlohy dobývání znalostí
  5. Metody a algoritmy dobývání znalostí
  6. Způsoby hodnocení modelů získaných metodami dobývání znalostí
  7. Metody předzpracování dat pro algoritmy dobývání znalostí
  8. Dobývání znalostí z textů a webu
  9. Metoda GUHA
  10. Observační kalkuly
  • BERKA, P.: Dobývání znalostí z databází. Praha, Academia 2003. 366 s. ISBN 80-200-1062-9.
  • POUR, Jan, MARYŠKA, Miloš, NOVOTNÝ, Ota. Business Intelligence v podnikové praxi. 1. vyd. Praha: PROFESSIONAL PUBLISHING, 2012. 276 s. ISBN 978-80-7431-065-2.
  • RAUCH, Jan. Metoda GUHA a dobývání znalostí z databází. In: MAŘÍK, Vladimír, ŠTĚPÁNKOVÁ, Olga, LAŽANSKÝ, Jiří, aj. Umělá inteligence 6. Praha: Academia, 2013, s. 348-391. 490 s. ISBN 978-80-200-2276-9.
  • RAUCH, Jan, ŠIMŮNEK, Milan. Dobývání znalostí z databází, LISp-Miner a GUHA. 1. vyd. Praha: Oeconomica, 2014. 462 s. ISBN 978-80-245-2033-9.
  • ŠIMŮNEK, Milan. Systém LISp-Miner, akademický systém pro dobývání znalostí z databází, historie vývoje a popis ovládání. 1. vyd. Praha: Oeconomica, 2010. 106 s. ISBN 978-80-245-1699-8.