Інфопакет

Актуальні проблеми Data Mining

ОК.15

Обов’язкова дисципліна для ОП

Другий

2023/2024

2 Семестр

4

ПРН3. Опанувати нові інструменти роботи з даними, здійснюючи обробку веб-логів, текст-аналіз і машинне навчання, для прогнозування бізнес-процесів та ситуаційного управління, сентимент-аналізу відгуків, розробки рекомендаційних систем для сфери електронної комерції, медіа, соціальних мереж, банкінгу, реклами тощо.

Дистанційне навчання

Знати: базові поняття штучного інтелекту та методів оптимізації; мати сучасні уявлення про основні задачі, що вирішуються в рамках штучного інтелекту та аналізу даних. Вміти: описувати задачу аналізу даних, визначати атрибути та тип задачі, будувати модель.

Мета дисципліни – поглиблення знань з інтелектуального аналізу даних та штучного інтелекту, вивчення основних підходів до розв’язання основних задач – це задачі класифікації, кластеризації, пошуку асоціативних правил. Навчальний курс присвячений основним задачах інтелектуального аналізу даних: класифікації, кластеризації, пошуку асоціативних правил. Розглядаються основні класи алгоритмів для розв’язку відповідних задач. Наводиться порівняльний аналіз підходів, та можливі модифікації. Зокрема вивчаються алгоритми побудови дерев прийняття рішень, питання адаптивної кластеризації. Досліджуються основні проблеми, пов’язані з використанням штучних нейронних мереж для вирішення задач аналізу даних.

1. Larose, Daniel T. “Discovering knowledge in data: an introduction to DM” / Daniel T. Larose 2. Leskovec J. Mining of Massive Datasets / Jure Leskovec Anand Rajaraman, Jeffrey David Ullman // Stanford Univ. – 2010. 3. G. Lee,U. Yun A new efficient approach for mining uncertain frequent patterns using minimum data structure without false positives. Future Generation Computational Systems 68:89–110p., 2017. 4. M.K. Gupta, P. Chandra A comparative study of clustering algorithms. In: Proceedings of the 13th INDIACom-2019; IEEE Conference ID: 461816; 6th International Conference on “Computing for Sustainable Global Development”, 2019.

Лекції, лабораторні заняття, самостійна робота.

Семестрове оцінювання: 1. Контрольна робота: РН 1.1, РН 1.2, РН 2.1 – 15 бали / 9 балів 2. Лабораторні роботи: РН 2.1, РН 4.1– 15 балів / 9 балів 3. Реферат: РН 3.1, РН 4.1 – 20 балів / 12 балів 4. Поточне оцінювання: РН 2.1, РН 3.1, РН 4.1 – 10 балів / 6 бали Підсумкове оцінювання: - максимальна кількість балів які можуть бути отримані студентом: 40 балів; - результати навчання які будуть оцінюватись: PH 1.1, PH 1.2, PH 2.1 - форма проведення: письмова форма.

Українська, англійська