Інфопакет

Актуальні питання аналізу даних (Data mining)

ДВС.1.01

Вибіркова дисципліна для ОП

Другий

2023/2024

3 Семестр

4

ПРН 3. Застосовувати сучасні методики і технології, зокрема інформаційні, для успішного й ефективного здійснення професійної діяльності та забезпечення якості дослідження у галузі прикладної лінгвістики. ПРН 17. Планувати, організовувати, здійснювати і презентувати дослідження та/або інноваційні розробки в галузі прикладної лінгвістики. ПРН 21.1. Професійно застосовувати в автоматичному обробленні природної мови знання основних методів та принципів добування даних (Data Mining), інтелектуального аналізу текстових даних (Text Mining), організації та типів штучних нейронних мереж, типів задач машинного навчання. ПРН 22.1. Знати і системно застосовувати методи аналізу та моделювання прикладної (лінгвістичної) галузі, визначати інформаційні потреби і збір вихідних даних для проєктування програмного забезпечення. ПРН 27.1 Повний перелік результатів навчання за освітньою програмою подано у пункті «Профіль програми».

Очна форма

Володіння базовими навичками програмування та роботи з базами даних; розуміння концепції та основних принципів роботи систем автоматичного опрацювання природної мови.

Метою дисципліни є формування у здобувачів освіти фахових комепетентностей, необхідних для розробки методів обробки даних, що набуло особливої актуальності для сучасного етапу розвитку у сферах бізнесу, політики, соціальних процесів та загальногуманітарних досліджень. Курс передбачає вивчення теоретичних основ автоматичного обробки даних; вироблення практичних умінь з класифікації, глибинного навчання, технологій нейромереж, машинного навчання та обробки природної мови (Natural Language Processing); формування навичок обробки знань і розробки систем, що базуються на знаннях, за допомогою мови програмування Python (бібліотеки Scikit Learn та TensorFlow).

1. Глибовець М., Отецький О. Штучний інтелект. К: KM Академія, 2002, 366 с. Марченко О.О., Россада Т.В., Актуальні проблеми Data Mining: навчальний посібник. Київ: КНУ, 2017. 150с. http://csc.knu.ua/uk/filer/canonical/1506499576/411/ Олещенко Л.М. Технології оброблення великих даних: конспект лекцій з дисципліни «Технології оброблення великих даних». Київ: КПІ імемні Ігоря Сікорського, 2021. 227с.

Лекції, практичні занняття, самостійна робота.

Форми оцінювання студентів: - семестрове оцінювання: 1. Письмові самостійні роботи (на практичних заняттях) РН2.1, РН2.2, РН2.3, РН2.4, РН2.5 – оцінюється 4 роботи по 10 балів, всього 40 балів – максимальна кількість балів для позитивної оцінки. 2. Модульна контрольна робота: РН1.1, РН1.2, РН1.3, РН1.4, РН1.5. Оцінюються дві контрольні роботи: МКР1 – 10 балів, МКР2 – 10 балів; – максимальна кількість балів для позитивної оцінки. - підсумкове оцінювання: іспит На іспиті перевіряються такі результати навчання: 1. РН 1.1.-РН 1.5. 2. РН 2.1.-РН 2.5. Іспит проводиться письмово і складається з двох частин: • теоретичні питання (50%) • розв’язання практичних (50%) Семестрову підсумкову оцінку формують бали, отримані студентом у процесі виконання вказаних видів і форм навчання та отримані на іспиті. Максимальний розподіл здійснюється за таким алгоритмом: 60 балів (60 %) – семестровий контроль і 40 балів (40 %) – іспит.

Українська, англійська