Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru/specializace. Za věcný obsah předmětu zodpovídá garant předmětu. Časovou náročnost předmětu zhruba vyjadřuje atribut předmětu rozsah kontaktní výuky. Například rozsah = 2+2  značí, že předmět bude mít týdně dvě hodiny přednášek a dvě hodiny cvičení týdně. Na závěr semestru musí vyučující provést vyhodnocení, nakolik si ten který student osvojil poznatky a dovednosti, kterých měl během výuky nabýt. Jakým způsobem toto hodnocení vyučující provedou určuje atribut způsob zakončení. U předmětu lze definovat, že předmět je zakončen pouze zápočtem(Z), klasifikovaným zápočtem(KZ), pouze zkouškou(ZK), nebo zápočtem a zkouškou(Z,ZK). Náročnost úspěšného absolvování předmětu je vyjádřena ECTS kreditními body. Výuka předmětu probíhá během semestru. Opakovaně se předmět vyučuje vždy v zimním(Z), nebo v letním(L) semestru každého akademického roku. Výjimečně může předmět být nabízen studentům v obou semestrech(Z,L). Za organizační zajištění výuky zodpovídá přiřazená katedra, která zejména vytvoří časový rozvrh předmětu a zajistí pro předmět vyučující. Někteří přednáší a zkouší, jiní vedou cvičení a udělují zápočty.
Obsahová náplň a další organizační informace, týkající se předmětu je popsána pomocí různých popisných textů(anotace, týdenní osnova, literatura, apod.)
$DODATEK_POPIS

Anotace:
Students will learn latest methods and technologies for web data acquisition, analysis and utilization of the discovered knowledge. Students will gain an overview of Web mining techniques for Web crawling, Web structure analysis, Web usage analysis, Web content mining and information extraction. Students will also gain an overview of most recent developments in the field of social web and recommendation systems.

Osnovy přednášek:

1.		Key web data mining principles.
2.		Web content mining approaches (formats, restrictions, ethical aspects).
3.		Web content mining tools.
4.		Accessing and extracting specific web content (deep web).
5.		Main text mining concepts.
6.		Practical applications of text mining.
7.		Social network structure and content analysis (2).
8.		Web graph, web structure mining.
9.		Web usage mining: data collecting.
10.		Web usage mining: data analysis, web analytics.
11.		Recommender systems and personalization.
12.		Data stream mining: algorithms and applications.

Osnovy cvičení:

1.		Basics of data acquisition and processing
2.		Text preprocessing, text mining applications
3.		Acquisition and analysis of graph-based data
4.		User data analysis
5.		Basics of recommendation systems
6.		Project presentation and assessment

Literatura:

1.		Liu, B. ?Web Data Mining?, Springer-Verlag Berlin Heidelberg, 2011. ISBN 978-3-642-19459-7.
2.		Charu C. Aggarwal. ?Machine Learning for Text?, Springer, 2018. ISBN 9783319735313.
3.		Easley, D., Kleinberg, J. ?Networks, Crowds, and Markets: Reasoning About a Highly Connected World?, Cambridge
4.		A. Russel, M. ?Mining the Social Web: Data Mining Facebook, Twitter, LinkedIn, Google+, GitHub, and More (3rd Edition)?, O'Reilly Media, 2019. ISBN 978-1491985045.
5.		Charu C. Aggarwal. ?Recommender Systems: The Textbook?, Springer, 2016. ISBN 9783319296579.

Požadavky:
Basic knowledge in Web architecture (HTTP, HTML, URI), programming skills (e.g. Java, JavaScript), graph theory and basic algorithms.

Information about the course is available at https://courses.fit.cvut.cz/NIE-DDW/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NIE-SI.21 Software Engineering 2021 V Není NIE-TI.21 Computer Science 2021 V Není NIE-DBE.2023 Digital Business Engineering V Není NIE-NPVS.21 Design and Programming of Embedded Systems 2021 V Není NIE-PSS.21 Computer Systems and Networks 2021 V Není NIE-PB.21 Computer Security 2021 V Není