Õppeaine eesmärk on tutvustada avastusliku andmeanalüüsi lähenemist tänapäevases andmeterikkas majanduses ning võimalusi leida suurest hulgast andmetest sinna peidetud mustreid, regulaarsusi, seaduspärasi ning trende. Kursus keskendub ärianalüüsile ning andmekaevandamise põhimõistetele, meetodite ning rakenduste selgitamisele ning tasuta või vabavaraliste vahendite peal praktiliste ülesannete lahendamisele.

The aim of this course is to introduce the exploratory data analysis approach in the data rich environment of today’s economy and methods for discovering patterns, regularities, relationships and trends from big datasets. The course focuses on business intelligence and data mining main concepts, methods and applications, complemented with hands-on practical examples using free/freeware software packages.

Aine läbinud üliõpilane:
- oskab kasutada põhimeetodeid seoste leidmiseks, klassifitseerimiseks, klasterdamiseks ja võrgustikuanalüüsiks, mis on ärianalüüsi ja andmekaevandamise tuum;
- oskab valida õige meetodi vastavalt olukorrale;
- oskab defineerida ärianalüüsi ja andmekaevandamise probleeme;
- oskab kasutada andmekaevandamise tarkvara ja interpreteerida tulemusi äripoolele kommunikeeritaval viisil.

On completion of the course, the student has:
- practical understanding of the key methods of finding patterns, classification, clustering and network analysis that are the core of business intelligence and data mining;
- the ability to decide when to use which approach;
- the ability to set the scene and define the problems of business intelligence and data mining;
- the ability to use data mining software and to interpret and communicate the results to the top management level.

Sissejuhatus andmekaevandamisesse (motivatsioon, lihtsamad rakendusnäited, protsess). Andmete ja teadmiste esitamise viisid. Andmete eeltöötlemine, sh keerulistest andmestruktuuridest käsitsi andmete kaevandamise ülesanded. Informatsiooni visualiseerimine. Ärianalüüs, andmekaevandamine. Klassifitseerimine ja näidetest õppimine. Klasteranalüüsi meetodid. Võrgustiku analüüs. Rakendused: kliendikäitumise modelleerimine, finantsandmete analüüs, krediidiriski modelleerimine, täppismeetodid turunduses (segmenteerimine, sihtrühma optimeerimine) ja tootmises. Andmekaeva programmeerimise raamistikud.

Introduction to Data Mining (Motivation, Examples, Process). Data storage and Knowledge representation. Data pre-processing, including manual data mining from complex data structures. Information visualization. Business Intelligence and Data Mining. Classification and learning from examples. Clustering methods. Network Analysis. Applications: customer behaviour modelling, analysis of financial data, credit risk models, fine-tuning methods in marketing (segmentation, target group optimization) and production. Data Mining programming frameworks.

-

-

-

-

Andmeühiskonna uurimise meetodid / Anu Masso, Katrin Tiidenberg, Andra Siibak (eds.); Tallinn: Tallinn University Press, 2021

-