Інфопакет

«Аналіз, обробка, зберігання та візуалізація великих даних (Big Data)».

ОК9

Обов’язкова дисципліна для ОП

Другий

2023/2024

2 Семестр

5

• Розробляти математичні моделі та методи аналізу даних(включно з великими). • Розробляти алгоритмічне та програмне забезпечення для аналізу даних ( включно з великими). • Тестувати програмне забезпечення. • Виконувати дослідження у сфері компютерних наук. • Володіти принципами побудови мультиагентних систем, підходи до організації взаємодії агентів, використовувати спеціалізовані інструментальні засоби для їх реалізації. • Знати принципи створення баз знань та онтологій як основи семантичних систем, засоби проектування семантичних систем, використання семантичного Web.

Дистанційне навчання

1. Знати методи інтелектуального аналізу даних, основи математичного аналізу, математичної статистики, обробки даних, особливості організації реляційних та NoSQL баз даних, знань, архітектуру комп’ютерів. 2. Вміти розробляти програми мовами високого рівня для реалізації поставленої задачі, складати запити мовою SQL. 3. Володіти елементарними навичками обробки та аналізу даних, проектування баз даних, пошуку у спеціалізованих базах даних.

Навчальна дисципліна присвячена вивченню основ аналізу, обробки, моделювання та візуалізації великих даних. Особлива увага приділяється моделям представлення великих даних, методам скорочення розмірності даних, методам виявлення прихованих знань в даних. Розглядаються основні методи аналізу і обробки великих даних, технології та процес підготовки та очищення даних, обробки великих даних. Лабораторні роботи передбачають застосування отриманих теоретичних знань для аналізу і обробки великих даних, вибір відповідно до поставлених задач моделей та методів роботи з великими даними, створення звітів, побудову візуалізації.

1. Марченко О.О., Россада Т.В. Актуальні проблеми Data Mining: Навчальний посібник для студентів факультету комп’ютерних наук та кібернетики. — Київ. — 2017. — 150 с. 2. . Zgurovsky M.Z., Zaychenko Y.P. Big Data: Conceptual Analysis and Applications. Springer, 2020. – 298 p. (англ.) 3. Davy Cielen, Arno D. B. Meysman, and Mohamed Ali Introducing Data Science: Big data, machine learning, and more, using Python tools. – Manning, 2016. – 320 p. (англ.) 4. Том Фоусет , Фостер Провост . «Data Science для бізнесу. Як збирати, аналізувати і використовувати дані». К., Наш формат – 2019, 400 с. 5. Balamurugan Balusamy, Nandhini Abirami R, Seifedine Kadry, Amir H. Gandomi Big Data: Concepts, Technology, and Architecture. Wiley; 1st edition. – 2021, 368 p. (англ.) 6. Elizabeth Clarke. Data Analytics, Data Visualization & Communicating Data. -Kenneth M Fornari, 2022, 528 p. (англ.)

Лекції, лабораторні роботи, самостійна робота

Рівень досягнення всіх запланованих результатів навчання визначається за результатами виконання лабораторних робіт, контрольних робіт. Семестрове оцінювання студентів здійснюється впродовж семестру з усіх видів робіт. Форма підсумкового оцінювання – іспит. Іспит включає тест та практичне завдання. Максимальний бал за іспит – 40 балів, мінімальний бал для успішного складання іспиту -24 бали. Семестрове оцінювання визначається як сума балів за всіма, успішно оціненими, результатами навчання і максимальне значення – 60 балів. Для допуску до іспиту обов’язковим є виконання 60% лабораторних робіт. Мінімальний бал допуску до іспиту – 20 балів Загальний бал утворюється як зважена сума балів напрацьованих студентом за різними видами робіт та оцінки за іспит, мінімальний бал – 60, максимальний – 100 балів.

Українська