911 custom essay pcl homework help center customs and courtesies marine corps essay writing college essays for admission catcher in the rye essay help sales and marketing business plan

Основы интеллектуального анализа данных

Код модуля:

Тип модуля: за вибором студента

Семестри: одинадцятий

Обсяг модуля:

Загальна кількість годин – 90 (кредитів ЕКТС – 3) аудиторні години – 36(лекції – 20, лабораторні заняття – 16)

Лектор: к.т.н., доцент Сидоренко Валерій Миколайович

Результати навчання:

  • знати :

теоретичні основи технології Data Mining;

  • вміти :

розробляти закінчені аналітичні сценарії на базі аналітичної платформи Deductor та в середовищі R, включаючи ETL-процес, проектування сховища даних та побудову моделей Data Mining у межах задач кластеризації, класифікації, регресії, пошуку асоціативних правил, пошуку послідовних шаблонів та аналізу часових рядів.

Спосіб навчання (аудиторне, дистанційне навчання): аудиторне

Необхідні обов’язкові попередні та супутні модулі:

вища математика, теорія ймовірностей та математична статистика, дискретна математика, алгоритми та методи обчислень, обчислювальна техніка, програмування, об’єктно-орієнтоване програмування, паралельні та розподілені обчислення, організація баз даних, системи управління базами даних, експертні системи та системи штучного інтелекту.

Зміст навчального модуля:

ETL-процес та OLAP.

Технології аналізу даних. Консолідація даних. Трансформація даних. Візуалізація даних. Очищення і попередня обробка даних.

Data Mining. Статистичні методи та машинне навчання. Методи зниження розмірності даних.

Задача асоціації. Задача кластеризації. Задачі класифікації та регресії. Аналіз часових рядів.

Рекомендована література:

1. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. — СПб.: Питер, 2009. — 624с.

2. Барсегян А. А., Куприянов М. С., Холод И. И. Анализ данных и процессов. СПб.: BHV, 2009. – 512 с.

3. Иберла К. Факторный анализ. Пер. с нем. М.: Статистика, 1980 - 398 с.

4. Харман Г. Современный факторный анализ. М.: Статистика, 1972 г. 489 с.

5. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. В двух томах. М.: Финансы и статистика, 1986. — 351 с.

6. BaseGroup Labs технологии анализа данных [Электронный ресурс] : Аналитическая платформа  Deduсtor. — Электрон. дан.— Режим доступа: http://basegroup.ru/.— Загл. с экрана.

7. From Data Mining to Knowledge Discovery in Databases [Электронный ресурс]: / Под ред. Usama Fayyad, Gregory Piatetsky-Shapiro and Padhraic Smyth — Электрон. дан. (1файл). 1996 — Режим доступа: http://www.daedalus.es/fileadmin/daedalus/doc/MineriaDeDatos/fayyad96.pdf.— Загл. с экрана.

8. Web Mining Research: A Survey [Электронный ресурс] : / Под ред. Raymond Kosala,  Hendrik Blockeel — Электрон. дан. (1файл). 2000 — Режим доступа: www.sigkdd.org/explorations/issue2-1/kosala.pdf. — Загл. с экрана.

9. Data Mining Community's Top Resource 
for Data Mining and Analytics SoftwareJobsConsulting, Courses, Education, News, Companies, and more. Режим доступа:

http://www.kdnuggets.com/ . — Загл. с экрана.

Форми та методи навчання:

Лекції та лабораторні заняття, розрахунково-графічна робота, самостійна робота

Методи та критерії оцінювання:

Поточний контроль та підсумковий контроль:

  • лекції усіх змістовних модулів (10%);
  • розрахунково-графічна робота, модульний контроль (50%);
  • робота на практичних та лабораторних заняттях (20%);
  • залік (20%)

Мова навчання: українська 

Преподаватели: 
Аватар пользователя vmsidorenko

Сидоренко Валерий