Інфопакет

Інтелектуальний аналіз даних

ОК 27

Обов’язкова дисципліна для ОП

Перший

2023/2024

7 Семестр

5

Застосовувати методи та алго¬ритм¬и обчислювального інтелекту та інтелектуального аналізу даних в задачах класифікації, прогнозування, кластерного аналізу, пошуку асоціативних правил з використанням програмних інструментів підтримки багатовимірного аналізу даних на основі технологій DataMining, TextMining, WebMining.

Очна форма

Знати основи теорії ймовірностей, ймовірнісні процеси та основи математичної статистики. Вміти виконувати дослідження ймовірнісних процесів. Володіти навичками по роботі з математичними пакетами, основами програмування на мові Python.

В рамках дисципліни основна увага приділяється питанням дослідження процесів виявлення знань, оволодіння методами та алгоритмами Data Mining. Розглядаються концепції, технології, практичні підходи до побудови асоціативних правил та дерев рішень, побудова сховищ та OLAP технології, нейрокомп’ютерні технології та нейронні мережі, моделі та методи класифікації, кластеризації, послідовності, прогнозування та деякі інші методи інтелектуального аналізу даних. Приділяється увага отриманню практичних навичок використання і адаптації деяких найбільш відомих систем, аналітичних платформ і бібліотек Data Mining, набуття уміння програмувати окремі елементи систем Data Mining різного призначення і різної проблемної орієнтації на всіх стадіях життєвого циклу інформаційної системи.

1. Бахрушин В.Є. Методи аналізу даних: навч. посібник для студентів. – Запоріжжя: КПУ, 2011. – 268 с. 2. Данильченко О.М., Данильченко А.О. Інтелектуальний аналіз даних: Навч. посібник. - Житомир: ЖДТУ, 2009. – 405 с. 3. Марченко О.О., Россада Т.В. Актуальні проблеми Data Mining: Навч. посібник. – К: Вид-во КНУ імені Тараса Шевченка, 2017. – 150 с. 4. Ситник В.Ф., Краснюк М.Т. Інтелектуальний аналіз даних (дейтамайнінг): Навч. посібник.– К.: КНЕУ, 2007.– 376 с. 5. Черняк О.І., Захарченко П.В. Інтелектуальний аналіз даних: підручник. – К.: Знання, 2014. – 599 с. 6. Сорока П.М., Ткаченко О.В. Методи навчання нейронних мереж для задач класифікації зображень на датасетах невеликих розмірів. Матеріали V Міжнародної науково-практичної конференції «Інформаційні технології та взаємодії», Київ, Київський національний університет імені Тараса Шевченка, 20-21 листопада 2018 р. – С. 218-219.

Лекції, лабораторні заняття, самостійна робота

Форма підсумкового оцінювання – залік. Для визначення рівня досягнення результатів навчання студенти під час захисту звітів з лабораторних робіт презентують результати своєї роботи, відповідають на запитання викладача, для перевірки набутих навичок викладач може давати додаткові завдання, які мають бути реалізовані студентом під час захисту роботи. Умовою отримання позитивної результуючої оцінки з дисципліни є досягнення не менш як 60 % від максимально можливої кількості балів, тобто студенту виставляється зараховано. Максимальна кількість балів, яку може отримати студент за роботу протягом семестру становить 80 балів за 100-бальною шкалою плюс до 20 балів за підсумкову контрольну роботу. Тобто за умови заліку студент за роботу в семестрі може отримати до 100 балів включно. Якщо він набрав 48 балів і більше, але менше 60 балів, тоді він обов’язково виконує підсумкову контрольну роботу. Якщо більше 60 балів – за бажанням, але все одно він не може набрати більше 100 балів.

Українська