Інфопакет

Моделювання та візуалізація багатовимірних даних

ННД 1.08

Вибіркова дисципліна для ОП

Другий

2021/2022

2 Семестр

5

Застосовувати методологічні принципи наукового дослідження; працювати з дисциплінарним масивом публікацій: проводити пошук, накопичення та обробку наукової інформації; вибирати та формулювати проблему дослідження; обирати методологічну основу дослідження; формулювати об’єкт і предмет дослідження; формулювати і перевіряти наукові гіпотези; формувати комплекс методик для дослідження обраного предмету. Застосовувати сучасні методи обробки та аналізу великих масивів статистичних даних, які використовуються для вирішення актуальних економічних задач в бізнесі; здійснювати моделювання бізнес-процесів за допомогою методів інтелектуального аналізу даних; будувати гіперкуби для візуалізації та аналізу багатовимірних даних; представляти та інтерпретувати результати, що одержані у процесі аналізу багатовимірних даних, формулювати висновки та рекомендації; здійснювати прийняття обґрунтованих управлінських рішень на основі аналізу тенденцій розвитку основних сегментів бізнесу

1. Знати методи інтелектуального аналізу даних, основи математичного аналізу, обробки даних, особливості організації баз даних та знань, архітектуру комп’ютерів. 2. Вміти писати програми на виконання простих алгоритмів, складати запити. 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 багатовимірних даних. Особлива увага приділяється моделям представлення багатовимірних даних, методам скорочення розмірності даних, методам виявлення прихованих знань в даних. Розглядаються основні методи аналізу багатовимірних даних, технології та процес підготовки та очищення даних, обробки даних. Лабораторні роботи передбачають застосування отриманих теоретичних знань для аналізу і обробки багатовимірних даних, вибір відповідно до поставлених задач моделей та методів роботи з багатовимірними 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