FIŞA DISCIPLINEI

1. Date despre program

1.1 Instituţia de învăţământ superior: Academia de Studii Economice din Bucureşti
1.2 Facultatea Facultatea de Cibernetică, Statistică şi Informatică Economică
1.3 Departamentul Departamentul de Informatică şi Cibernetică Economică
1.4 Domeniul de studii: Cibernetica, Statistica si Informatica Economica
1.5 Ciclul de studii: MASTERAT
1.6 Programul de studii: Cibernetica si economie cantitativa

2. Date despre disciplină

2.1 Denumirea Data Mining
disciplinei
Codul disciplinei 010112OS311101
2.2 Titularul activităţilor de curs Prof. univ. dr. Gheorghe RUXANDA
Date de contact gheorghe.ruxanda@csie.ase.ro
2.3 Titularul activităţilor de Prof. univ. dr. Gheorghe RUXANDA
seminar
Date de contact gheorghe.ruxanda@csie.ase.ro
2.4 Anul de 1 2.5 Semestrul 1 2.6 Tipul de Examen 2.7 Regimul Obligatorie
studiu evaluare disciplinei

3.Timpul total estimat (ore pe semestru al activităţilor didactice)

3.1 Număr de ore pe săptămână 4 din care: 3.2 2 3.3 seminar / 3
curs laborator (lp)
/stagii
3.4 Total ore din planul de 70 din care: 3.5 28 3.6 seminar / 42
învăţământ curs laborator (lp)
/stagii
Distribuţia fondului de timp ore
Studiul dupa manual, suport de curs, bibliografie si notiţe 30
Documentare suplimentară în bibliotecă, pe platformele electronice de specialitate si pe teren 40
Pregătire seminarii / laboaratoare, teme, referate, portofolii şi eseuri 25
Tutorial 3
Examinări 2
Alte activităţi: Elaborare studii de caz 35
3.7 Total ore de studiu 133
individual
3.8 Total ore pe semestru 205
3.9 Numărul de credite 8

4.Precondiţii (acolo unde este cazul)

4.1 de Statistica; Teoria Probabilitatilor; Statistica Matematica; Algebra Liniara
curriculum
4.2 de Metode si tehnici cantitative de optimizare modelare statistico-matematica insusite in
competenţe timpul studiilor de licenta
5.Condiţii (acolo unde este cazul)
5.1. de desfăşurare a -
cursului
5.2. de desfăşurare a Seminariile se desfasoara in sali cu calculatoare pe care exista software de
seminarului / specialitate (SAS, Statistica, SPSS etc.)
laboratorului

6. Competenţele specifice acumulate

C1
Competenţe profesionale

C3
C4
C6
Competenţe transversale

7. Obiectivele disciplinei (reieşind din grila competenţelor specifice acumulate)

7.1 Obiectivul general al Dezvoltarea cunostintelor si formarea abilitatilor necesare pentru utilizarea
disciplinei eficienta a metodelor si tehnicilor Data Mining in scopul detectarii si captarii
esentei informationale ascunse in date si al obtinerii unei reprezentari
simplificate, clare si usor de interpretat a acestei esente.
7.2 Obiectivele Specifice - intelegerea conceptelor, metodelor si tehnicilor specifice Data Mining, precum
si a posibilitatilor de utilizare a acestotra in domeniul inteligentei afacerilor,
vizualizarii computationale, generalizarii, clasificarii, asocierii, clusterizarii,
recunoasterii foormelor, invatarii statistice si tehnologiilor WEB mining;
- asigurarea cunostinţelor necesare pentru utilizarea eficientă a metodelor şi
tehnicilor probabilistice şi statistico-matematice în scopul fundamentării deci-
ziilor din domeniul afacerilor si finantelor;
- abordarea interdisciplinara a masurarii, cuantificarii, analizei si predictiei
economico-financiare prin utilizarea unor concepte, metode, instrumente şi
proceduri specifice teoriei şi practicii economice, modelării statistico-mat-
ematice şi informaticii;
- formarea modului de gândire cantitativă a specialistului economist, dezvol-
tarea si aprofundarea cunostinţelelor acestuia în domeniul masurării, cuan-
tificării, analizei, evaluarii, interpretării şi predicţiei economico-financiare;
- formarea de abilităţi privind analiza şi interpretarea datelor şi rezultatelor
metodelor şi tehnicilor Data Mining utilizate în domeniul afacerilor si finantelor;
- formarea de abilităţi privind înţelegerea şi utilizarea instrumentelor software
dedicate analizei analizei cantitative si tehnologiilor Data Mining.
8. Conţinuturi
8.1 Curs Metode de predare Observaţii
1. Msurarea i cuantificarea în domeniul Prezentare orala si
economico-financiar: probleme specifice, interactiune cu
dificultati, concepte fundamentale, principii si studentii
abordari specifice, masuri numerice de sintetizare
informationala
2. Fundamente statistico-matematice ale Prezentare orala si
tehnologiilor Data Mining: distributii de interactiune cu
probabilitate conditionate si indicatori specifici, studentii
distributii de selectie si indicatori ai acestora,
elemente de teoria estimarii si inferentei statistice
3. Sintetizarea si simplificarea informationala cu Prezentare orala si
ajutorul analizei componentelor principale: interactiune cu
continut, scop, definire concepte, interpretari ale studentii
logicii analizei componentelor principale
4. Analiza componentelor principale: modelul Prezentare orala si
matematic; proprietatile componentelor principle; interactiune cu
definirea, calculul si interpretarea marimilor studentii
specifice; analiza in spatiul observatiilor;
proprietatile scorurilor principale
5. Sintetizarea si simplificarea informationala in cazul
datelor de tip calitativ: analiza corespondentelor
6. Detectarea si estimarea structurilor cauzale Prezentare orala si
ascunse cu ajutorul analizei factoriale: definire interactiune cu
continut, scopuri ale utilizarii, descompunerea studentii
variabilitatii, modelul matematic
7. Analiza factoriala exploratorie si confirmatorie; Prezentare orala si
Metode statistico-matematice de extragere a interactiune cu
factorilor comuni; definirea, calculul, testarea studentii
semnificatiei statistice si interpretarea marimilor
specifice
8. Modelarea si estimarea legaturilor cauzale din Prezentare orala si
domeniul economico-financiar cu ajutorul analizei interactiune cu
corelatiilor canonice studentii
9. Recunoasterea formelor si invatarea statistica – Prezentare orala si
continut, principii, concepte fundamentale, interactiune cu
obiective si domenii de utilizare studentii
10. Recunoasterea nesupervizata a formelor: metode Prezentare orala si
si tehnici de analiza cluster de tip ierarhic interactiune cu
ascendent si descendent studentii
11. Recunoasterea nesupervizata a formelor: algoritmi Prezentare orala si
de partitionare, analiza cluster de tip fuzzy si interactiune cu
algoritmul EM (Expected Maximization) studentii
12. Masini care invata si recunoasterea supervizata a Prezentare orala si
formelor: elemente de analiza Bayesiana, interactiune cu
clasificatorul Bayesian, Fisher si Mahalanobis; studentii
predictarea apartenentei formelor
13. Recunoasterea formelor si invatarea cu ajutorul Prezentare orala si
tehnologiei Support Vector Machine (SVM) si interactiune cu
retelelor neuronale artificiale studentii
14. Utilizarea metodelor si tehnicilor Data Mining in Prezentare orala si
elaborarea studiilor de caz specifice analizei si interactiune cu
predictiei economico-financiare studentii
Bibliografia obligatorie
1. Berry M. J. A., Linoff G. (2004), Data mining techniques : for marketing, sales, and customer
relationship management, 2nd ed., Wiley Publishing, Inc., 2004
2. Bramer M. (2007), Principles of Data Mining, Springer-Verlag London Limited, 2007
3. Matignon R. (2007), Data Mining Using SAS Enterprise Miner, John Wiley & Sons, Inc., Hoboken, New
Jersey, USA, 2007
4. Ruxanda G. (2001), Analiza datelor, Bucureti, Editura ASE, 2001
5. Vancea R., Holban S., Ciubotariu D. (1987), Recunoaterea formelor. Aplicaii, Editura
Academiei, Bucureti, 1987
6. Vercellis C. (2009), Business Intelligence : Data Mining and Optimization for Decision Making, John
Wiley & Sons Ltd, USA, 2009
7. Witten I. H., Frank E., Hall M. A. (2011), Data Mining Practical Machine Learning Tools and
Techniques, Third Edition, Morgan Kaufmann Publishers, Elsevier, Burlington, MA, USA, 2011

Bibliografie facultative
1. Benzecri J. P. (1979), L'analyse des données, Dunod, Paris, 1979
2. Saporta G. (1990), Probabilités, analyse des données et statistique, Ed. Technip, Paris, 1990
3. Stnil O., Neagoe V. (1992), Teoria recunoaterii formelor, Editura Academiei, Bucureti, 1992
nd
4. Alpaydin, A. (2010), Introduction to Machine Learning, 2 edition, The MIT Press, Cambridge, 2010
5. Berthold M., Hand D. J. (1999), Intelligent Data Analysis— An Introduction, Springer, Berlin, 1999
6. Cherkassky V., Mulier F. (1998), Learning from Data: Concepts, Theory and Methods, John Wiley &
Sons, Inc., New York, 1998.
7. Hand D. J., Mannila H., Smyth P. (2001), Principles of Data Mining, The MIT Press, Cambridge, 2001.
8. Nisbet R., Elder J., Miner G. (2009), Advanced Algorithms for Data Mining, in Handbook of Statistical
Analysis and Data Mining Applications, Academic Press, Amsterdam, NL, 2009
9. Shmueli G., Patel N. R., Bruce P. C. (2010), Data Mining for Business Intelligence: Concepts,
Techniques, and Applications in Microsoft Office Excel with XLMiner, New Jersey, Wiley, 2010
8.2 Seminar / Laborator/Lucrări practice/Stagii Metode de predare Observaţii
1. Discutarea cerintelor privind elaborarea Prezentare si interactiune
proiectelor si lucrarilor practice si actualizarea cu studentii
unor cunostinte din domeniul probabilitatilor
si statisticii matematice
2. Prezentarea elementelor de baza ale Ilustrare pe calculator,
sistemului softwsre SAS utilizand instrumentul soft-
ware SAS
3. Prezentarea implementarilor software ale Ilustrare pe calculator,
principalelor tehnologii Data Mining in utilizand instrumentul soft-
sistemul SAS ware SAS
4. Aplicatie numerica privind efectuarea unei Exemplificare si solutionare
analize preliminare a datelor numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
5. Exemple numerice privind evaluarea unor Exemplificare si solutionare
masuri sumarizatoare in cazul multidimenional numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
6. Studiu de caz privind utilizarea analizei Exemplificare si solutionare
componentelor principale in domeniul credit- numerica a tematicii semi-
scoring narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
7. Exemplificare numerica a construirii
indicatorilor compoziti (agregati) cu ajutorul
analizei componentelor principale
8. Studiu de caz privind sintetizarea datelor de
tip calitativ cu ajutorul analizei
corespondentelor
9. Aplicatie numerica privind utilizarea analizei
factoriale in domeniul pietelor de capital
10. Aplicatie numerica privind utilizarea analizei
corelatiilor canonice in masurarea legaturilor
dintre variabile economice si variabile sociale
11. Aplicatie numerica privind metodele de
evaluare a distantelor intre forme, a
distantelor intre clustere si a variabilitatii
inter-clasa si intra-clasa
12. Studiu de caz privind utilizarea analizei cluster
in scopul determinarii claselor de performanta
ale unei multimi de firme (pe cazul firmelor
cotate la bursa)
13. Studiu de caz privind predictia starii de
faliment cu ajutorul metodelor de
recunoastere supervizata a formelor
14. Aplicatie numerica privind utilizarea
tehnologiei Support Vector Machine in
recunoasterea supervizata a formelor
Exemplificare si solutionare
numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
Exemplificare si solutionare
numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
Exemplificare si solutionare
numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
Exemplificare si solutionare
numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
Exemplificare si solutionare
numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
Exemplificare si solutionare
numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
Exemplificare si solutionare
numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
Exemplificare si solutionare
numerica a tematicii semi-
narului pe baza de date
reale, utilizand calculatorul
si software-ul specializat
Bibliografie
1. Berry M. J. A., Linoff G. (2004), Data mining techniques : for marketing, sales, and customer
relationship management, 2nd ed., Wiley Publishing, Inc., 2004
2. Bramer M. (2007), Principles of Data Mining, Springer-Verlag London Limited, 2007
3. Cody P. R.(2006), Applied Statistics and the SAS Programming Language, 2006
4. Delwiche L. D., Slaughter S. J. (2003), The Little SAS Book, Third Edition, Cary, NC: SAS Institute, Inc.,
2003
5. Everitt S. B., Handbook of Statistical Analyses Using SAS, Second Edition, Geoff Der, 2001
6. Matignon R. (2007), Data Mining Using SAS Enterprise Miner, John Wiley & Sons, Inc., Hoboken, New
Jersey, USA, 2007
7. Ruxanda Gh. (2001), Analiza datelor, Bucureti, Editura ASE, 2001
8. Ruxanda Gh. (2010), Proceduri SAS pentru rezolvarea problemelor din domeniul Data Mining, material
didactic, 2010
9. Vercellis C. (2009), Business Intelligence : Data Mining and Optimization for Decision Making, John
Wiley & Sons Ltd, USA, 2009
10. Witten I. H., Frank E., Hall M. A. (2011), Data Mining Practical Machine Learning Tools and
Techniques, Third Edition, Morgan Kaufmann Publishers, Elsevier, Burlington, MA, USA, 2011

9.Coroborarea conţinuturilor disciplinei cu aşteptările reprezentanţiilor comunităţii, asociaţiilor

profesionale şi angajatori reperezentativi din domeniul aferent programului
- orice activitate de analiza, de modelare sau de predictie din domeniul economic se bazeaza pe date
referitoare starea, structura si evolutia fenomenelor economice, iar datele sunt expresia aparentei
si sunt afectate de „zgomot”, astfel incat este necesar sa se apeleze la metode si tehnici adecvate
pentru a extrage esenta din date;
- metodele, tehnicile si instrumentele Data Mining permit cercetatorului sa patrunda „dincolo” de
aparenta datelor, acolo unde se regasesc, la nivel invizibil, latent, elemente de mare semnificatie si
importanta pentru cunoastere: asocieri, legitati, ierahii etc.;
- toate metodele, tehnicile, instrumentele si procedurile specifice disciplinei Data Mining au
aplicabilitate directa si concreta in economia reala, in cele mai diverse zone ale acesteia (domeniul
bancar, marketing, evaluarea riscului, evaluarea performantelor economico-financiare etc.;
- la nivel mondial exista preocupari stiintifice numeroase, consistente si de varf in domeniul Data
Mining, aceste preocupari cunoscand in ultimele 2-3 decenii o dezvoltare cu adevarat exloziva, iar
specialistii din acest domeniu sunt foarte cautati pe piata muncii.

10.Evaluare
Tip activitate 10.1 Criterii de 10.2 Metode de 10.3 Pondere din
evaluare evaluare nota finală
10.4 Curs Organizarea a 5 mini- Participarea la 10%
dezbateri (de cate 15 dezbaterile organizate
min) la finalul la curs si frecventa
anumitor cursuri inregistrata la cursuri
Proba de Examen Evaluare lucrare scrisa 60%
examen
10.5 Seminar / laborator/lp/stagii Activitate si prezenta Implicarea studentilor 5%
la seminarii indezbaterile organiate
pe tematicile prevazute
pentru seminarii
Elaborarea a 3 pro- Evaluarea continutului 25%
iecte stiintifice de tip stiintific al proiectelor
Studiu de caz elaborate
10.6 Standard minim de performanţă:
  Insusirea si intelegerea conceptelor, continutului, rationamentelor, interpretarilor si scopurilor, a metode-
lor, modelelor, procedurilor si algoritmilor pentru urmatoarele tematici: a. masurare si cunatificare in
domeniul economico-social; b. sintetizarea informationala cu ajutorul analizei componentelor principale;
c. sintetizarea informationala a datelor de tip calitativ cu ajutorul analizei corespondentelor; d. detectarea
structurilor cauzale ascunse cu ajutorul analizei factoriale; e. modelarea si estimarea legaturilor cauzale
din domeniul economico-financiar cu ajutorul analizei corelatiilor canonice; f. recunoasterea
nesupervizata a formelor; g. recunoasterea supervizata a formelor si masini autoinstruibile;
 Insusirea modului de utilizare in practica a metodelor si tehnicilor specifice tematicilor enumerate
anterior;
 Cunoasterea modalitatilor de implementare software a problemelor specifice tematicilor enumerate
anterior;
 Elaborarea celor 3 proiecte (studii de caz) prevazute la criteriile de evaluare, in conditii cantitative si
calitative echivalente cu cel putin nota de trecere (min. 5) ;
 Participarea la cel puţin 50% din cursurile şi seminariile prevazute.

Data completării Semnătura titularului de curs Semnătura titularului de seminar

10 Iulie 2012 Prof. dr. Gheorghe RUXANDA Prof. dr. Gheorghe RUXANDA

Data avizării în Departament Semnătura directorului de Departament

…………………………………… Lect. dr. Catalin BOJA