|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KIV / DBM2
:
Popis předmětu
Pracoviště / Zkratka
|
KIV
/
DBM2
|
Akademický rok
|
2024/2025
|
Akademický rok
|
2024/2025
|
Název
|
Databázové systémy a metody zprac.inf.2
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
6
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
3
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
3 / -
|
21 / 21
|
0 / 0
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní semestr
|
Vyučovaný semestr
|
Zimní semestr
|
Minimum (B + C) studentů
|
1
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
1|2|3|4 |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ano
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
1|2|3|4 |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
KIV/DB1 a KMA/PSA a KIV/SU
|
Předměty,které předmět podmiňuje
|
KIV/MIS, KIV/MISZ, KIV/PMZD, KIV/ZDSZ
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Seznámit studenty s pokročilými metodami zpracování informací. Porozumět principům tvorby a použití datových skladů. Seznámit se s nástroji a procesy tvorby datového skladu. Porozumět procesu extrakce, transformace a vložení dat z OLTP systémů do datového skladu. Seznámit se s principy hodnocení kvality dat a procesy OLAP včetně možnosti získávání znalostí.
|
Požadavky na studenta
|
Zápočet:
Student musí získat minimální počet bodů ze seminární práce a písemného testu.
Mezní termín získání zápočtu: 2. týden v lednu aktuálního akademického roku.
Z důvodu průběžné aktualizace předmětu je pro získání zápočtu při opakovaném zapsání předmětu (viz SZŘ čl. 24 odst. 3) nutné souhlasné vyjádření garanta předmětu.
Zkouška:
Kombinovaná forma zkoušky.
Je nezbytné získat minimální počet bodů z každé části práce (60%).
|
Obsah
|
Úvod, databázová technologie - analýza současného stavu, trendy vývoje, metody zpracování dat
Principy a nástroje Business Intelligence, vrstvy pro analýzu dat - reporting, datový sklad, datamining..
Přístupy k vytváření datových skladů a datových tržišť, bussiness požadavky, projektový plán.
Dimenzionální model - hierarchie dimenzí, rozdělení atributů na dimenze, fakta, atributy, definování typů vztahů, aditivity faktů, definice omezení dotazů.
Problematika modelování dat v datových skladech, charakteristiky tabulek faktů a dimenzí, transformace mezi jednotlivými modely.
Datová kostka - jiný pohled na dimenzionální modelování
Architektura datového skladu. Metadata pro správu datového skladu.
Návrh technické architektury a infrastruktury. Data Mining - dolování dat, úvod do problematiky, metody.
Datová pumpa, proces extrakce, transformace a vložení dat, metody čištění dat.
Kvalita dat.
Uživatelské aplikace, správa a růst DW. Technologie implementace datového skladu, plnění datového skladu.
Problém zpracování velkých dat - 5V, vizualizace.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
Mohammed J. Zaki, Wagner Meira, Jr. Data Mining and Analysis: Fundamental Concepts and Algorithms,. Cambridge, 2014. ISBN 9780521766333.
-
Základní:
Laberge, Robert. Datové sklady : agilní metody a business intelligence. 1. vyd. Brno : Computer Press, 2012. ISBN 978-80-251-3729-1.
-
Doporučená:
Krish Krishnan. Data Warehousing in the Age of Big Data - 1st Edition - ISBN: 9780124058910, 9780124059207 View on ScienceDirect Data Warehousing in the Age of Big Data. 2013. ISBN 9780124058910.
-
Doporučená:
Meloun M., Militký J. Interaktivní statistická analýza dat. Praha, Karolinum, 2013. ISBN 978-80-246-2173-9.
-
Doporučená:
Smart Mike. Learn Excel 2013 Expert Skills with the Smart Method. 2013. ISBN 1909253065.
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Příprava na zkoušku [10-60]
|
40
|
Vypracování seminární práce v magisterském studijním programu [5-100]
|
40
|
Kontaktní výuka
|
65
|
Příprava na souhrnný test [6-30]
|
11
|
Celkem
|
156
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
vysvětlit principy relačních databází, datové integrity a základních SQL příkazů |
popsat postupy datového modelování |
vysvětlit základní principy bezpečnosti zpracování dat |
Odborné dovednosti - pro úspěšné zvládnutí předmětu se předpokládá, že student před zahájením výuky dokáže: |
realizovat a dokončit samostatný projekt podle konkrétního zadání |
pracovat jako členové týmu se samostatnou odpovědností za konkrétní součást rozsáhlého systému |
navrhnout databázový systém menšího až středního rozsahu |
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
mgr. studium: dle vyvíjejících se souvislostí a dostupných zdrojů vymezí zadání pro odborné činnosti, koordinují je a nesou konečnou odpovědnost za jejich výsledky, |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
popsat a vysvětlit trendy ve zpracování informací |
vysvětlit základní principy datových skladů |
orientovat se v možnostech databázových technologií s cílem efektivního zpracování dat a získávání znalostí |
rozumět principu datové pumpy - proces extrakce, transformace a uložení dat |
vysvětlit a ilustrovat metody a modely pro reprezentaci a zpracování velkých a / nebo nestrukturovaných dat |
vysvětlit principy relačních databází, datové integrity a základních SQL příkazů, popsat postupy datového modelování |
Odborné dovednosti - po absolvování předmětu prokazuje student dovednosti: |
navrhnout a optimalizovat rozsáhlý datový model |
zvolit a efektivně použít metody a technologie pro zpracování, analýzu a reprezentaci rozsáhlých strukturovaných i nestrukturovaných dat |
Obecné způsobilosti - po absolvování předmětu je student schopen: |
mgr. studium: plánují, podporují a řídí s využitím teoretických poznatků oboru získávání dalších odborných znalostí, dovedností a způsobilostí ostatních členů týmu, |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Seminární práce, |
Kombinovaná zkouška, |
Výstupní projekt, |
Skupinová prezentace, |
Odborné dovednosti - odborné dovednosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Test, |
Seminární práce, |
Individuální prezentace, |
Obecné způsobilosti - obecné způsobilosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Kombinovaná zkouška, |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Cvičení (praktické činnosti), |
Přednáška založená na výkladu, |
Odborné dovednosti - pro dosažení odborných dovedností jsou užívány vyučovací metody: |
Cvičení (praktické činnosti), |
Obecné způsobilosti - pro dosažení obecných způsobilostí jsou užívány vyučovací metody: |
Přednáška založená na výkladu, |
|
|
|
|