Association rule mining as a support for OLAP

Cilem teto prace je identifikovat možnosti komplementarniho využiti dvou metod datove analýzy, OLAP analýzy a dobývani znalosti z databazi reprezentovaneho GUHA asociacnimi pravidly. Použiti těchto dvou metod v ramci navrhovaných scenařů na jednom datasetu se prokazuje synergický efekt, kdy výsledne znalosti ziskane z dat předci výsledky použiti obou těchto analytických metod nezavisle na sobě. To je hlavni přinos teto prace. Dalsim přinosem je originalni využiti GUHA asociacnich pravidel jakožto techniky dobývani znalosti z databazi, kdy dolovani probiha na agregovaných datech. GUHA asociacni pravidla ve svých možnostech předci klasicka asociacni pravidla uvaděna v literatuře. Výsledky experimentů na realných datech prokazuji nalezeni nestandardnich trendů v datech, jejichž identifikace standardnimi metodami OLAP analýzy by vyžadovala rucni prochazeni dane OLAP kostky, což je casově velice narocne. Naopak při samotnem použiti asociacnich pravidel se ztraci celkový pohled na data, který je velmi dobře prezentovan OLAP kostkou. Je možne prohlasit, že se tyto dvě metody velmi dobře doplňuji. Soucasti řeseni je rovněž využiti skriptovaciho jazyka LMCL, který automatizuje vybrane casti procesu dobývani znalosti z databazi. Navrhovaný doporucovaci nastroj by nasledně odstinil uživatele od asociacnich pravidel a umožnil tak i běžným analytikům neznalým teorie využit jejich možnosti. Prace kombinuje kvantitativni a kvalitativni výzkum. Kvantitativni výzkum je reprezentovan experimenty s realnými daty, navrhem doporucovaciho systemu a implementaci vybraných casti procesu dobývani znalosti z databazi s využitim skriptovaciho jazyka LMCL. Kvalitativni výzkum je reprezentovan strukturovaným rozhovorem s vybranými experty z dane oblast, kteři potvrzuji smysluplnost navrhovaných metod v teto praci.