1. komponenta

Vrsta nastave	Ukupno
Predavanja	30
Auditorne vježbe	15

* Opterećenje je izraženo u školskim satima (1 školski sat = 45 minuta)

CILJ KOLEGIJA: Kolegij daje pregled problema i tehnika iz područja napredne obrade podataka u raznim područjima tehnologije.

NASTAVNI SADRŽAJI:
Materijal je odabran i obrađen tako da je ovaj kolegij zapravo kurs iz matematičkog modeliranja, pri čemu je uvijek osnovni problem kako iz neke (obično ogromne) kolekcije sirovih podataka izlučiti dodatnu, kvalitetniju informaciju. Na konkretnim primjerima primjena iz realnog svijeta (npr. pretraživači Interneta, obrada podataka vezanih za strukture proteina, analitička obrada podataka u ekonomiji, obrada stringova, slike) će se pokazati kako objekte iz realnog svijeta i veze među njima opisati matematičkim objektima i funkcijama nad njima. Pokazuje se kako nizom sasvim elementarnih razmatranja dolazimo do visoko sofisticiranih matematičkih modela koji kombiniraju tehnike statistike, numeričke matematike, teorije grafova, topologije itd. U tom smislu je kolegij dobra vježba integralne primjene naučenih matematičkih tehnika na probleme iz realnih primjena. Neće se ići u detalje algoritama, osim u jednostavnijim slučajevima. Naglasak je na matematičkom opisivanju problema koji nije zadan jezikom matematike. (Detalji razvoja odabranih algoritama s pripadnom teorijom bit će dani u kolegiju sljedbeniku Matematičko modeliranje pretraživača.) Zahtjevat će se aktivno sudjelovanje studenata pa je jedan sat vježbi zamijenjen seminarom u kojem bi studenti samostalno obrađivali zadane teme.
Nastavni sadržaji su sljedeći:
1. Motivacija. Primjeri transformacije sirovih podataka - od uklanjanja šuma, preko redukcije dimenzije, klasificiranja i grupiranja, do otkrivanja pravilnosti, asocijativnih veza i kvalitativno novih informacija. Pojam soft computinga (meko računanje) i data mininga (rudarenje podataka). (1 tjedan)
2. Klasifikacija. Stabla odlučivanja. Entropija. Pregled metoda klasifikacije. (4 tjedna)
3. Grupiranje. Pojam grupiranja, segmentacije. Grupiranje kao spektralna particija grafova. K-sredine. Algoritmi grupiranja.
4. Obrada stringova. Poravnavanje stringova. Kodiranje i kompresija.

1. S. Mitra, T. Acharya: Data Mining
2. R. B. Yates, B. R. Neto: Modern information retrieval
3. T. Hastie, R. Tibshirani, J. Friedman: Elements of Statistical Learning: Data Mining, Inference, and Prediction
4. R. Duda, P. Hart, D. Stork: Pattern Classification

Izborni predmeti 4 i 5 - Redovni Studij - Financijska i poslovna matematika