Інтелектуальний аналіз даних

Анотація навчальної дисципліни

Мета вивчення дисципліни «Інтелектуальний аналіз даних» – формування та розвиток компетентностей спрямованих на набуття теоретичних знань, практичних умінь і навичок щодо застосування базових моделей, методів та технологій інтелектуального аналізу даних як складової комп’ютерних наук при проектуванні, використанні та впровадженні інформаційних систем в різних сферах людської діяльності.

Практичне значення та використання отриманих знань дисципліни «Інтелектуальний аналіз даних» – отримання здобувачами базової вищої освіти теоретичних знань, спеціальних умінь і практичних навичок з використання сучасних моделей, методів та технологій інтелектуального аналізу даних як невід’ємної складової при підготовці бакалаврів з комп’ютерних наук, а саме:
–    вивчення основних принципів і методів інтелектуального аналізу даних; 
–    засвоєння основних принципів збору та підготовки вихідних даних; 
–    вивчення базових алгоритмів розпізнавання, класифікації, кластеризації, 
–    основних методів аналізу часових рядів; 
–    використання базових алгоритмів для розпізнавання мовних та зорових 
–    образів; 
–    формування умінь і навичок застосування базових алгоритмів інтелектуального ана-лізу даних на основі вивчених методів для аналізу даних.

Основні результати навчання
ПРН1. Застосовувати знання основних форм і законів абстрактно-логічного мислення, основ методології наукового пізнання, форм і методів вилучення, аналізу, обробки та синтезу інфо-рмації в предметній області комп'ютерних наук.
ПРН3. Використовувати знання закономірностей випадкових явищ, їх властивостей та опе-рацій над ними, моделей випадкових процесів та сучасних програмних середовищ для розв’язування задач статистичної обробки даних і побудови прогнозних моделей.
ПРН4. Використовувати методи обчислювального інтелекту, машинного навчання, нейромережевої та нечіткої обробки даних, генетичного та еволюційного програмування для розв’язання задач розпізнавання, прогнозування, класифікації, ідентифікації об’єктів керу-вання тощо.
ПРН12. Застосовувати методи та алгоритми обчислювального інтелекту та інтелектуального аналізу даних в задачах класифікації, прогнозування, кластерного аналізу, пошуку асоціати-вних правил з використанням програмних інструментів підтримки багатовимірного аналізу даних на основі технологій DataMining, TextMining, WebMining.

Тематика та види навчальних занять

1 тиждень.
Лекція 1 «Вступ до інтелектуального аналізу даних. Основі поняття та особливості».
Лабораторне заняття 1. Лабораторна робота 1. «Вступ до наукової мови програмування Python та Google Colab з прикладами інтерактивних завдань у Colab. Частина 1 – вивчення структури програми, типів даних, синтаксису, організації стандартного введення-виведення даних». 

2 тиждень.
Лекція 2 «Етапи інтелектуального аналізу  даних. Особливості попередньої обробки даних».
Лабораторне заняття 2. Лабораторна робота 1. «Вступ до наукової мови програмування Python та Google Colab з прикладами інтерактивних завдань у Colab. Частина 2 – особливос-ті моделювання  інтелектуального аналізу даних з використанням бібліотек Python».

3 тиждень
Лекція 3 «Постановка завдання розпізнавання  образів. Класифікація. Частина 1».
Лабораторне заняття 3. Лабораторна робота 1 «Вступ до наукової мови програмування Python та Google Colab з прикладами інтерактивних завдань у Colab. Частина 3 – виконання попередньої обробки даних за допомогою рекомендованих бібліотек Python».

4 тиждень.
Лекція 4 «Постановка завдання розпізнавання  образів. Класифікація. Частина 2».
Лабораторне заняття 4. Лабораторна робота 2 «Дослідження геометричних мір близькості об’єктів та класів у системах розпізнавання».

5 тиждень.
Лекція 5 «Кластеризація.  Метод k- середніх».
Лабораторне заняття 5. Лабораторна робота 3 «Побудова поверхонь, які поділяють об'єкти різних класів у системах розпізнавання».

6 тиждень.
Лекція 6 «Оптимізація. Регресія. Градієнтний спуск. Ідея нейронних мереж».
Лабораторне заняття 6. Лабораторна робота 4 «Кластеризація, розбиття об'єктів на класи в системах розпізнавання образів «без вчителя»».

7 тиждень.
Лекція 7 «Асоціація образів. Дискретна мережа Хопфілда. Двонаправлена асоціативна па-м'ять».
Лабораторне заняття 7. Лабораторна робота 5 «Введення в нейронні мережі. Лінійна регре-сія»

8 тиждень.
Лекція 8 «Імовірнісний (байесовський) метод розпізнавання. Імовірнісна нейронна мережа. Радіально-базисна нейронна мережа».
Лабораторне заняття 8. Лабораторна робота 6. «Узагальнена структура системи ІАД. Аналіз типових завдань інтелектуального аналізу даних». 
Модульна контрольна робота 1.

9 тиждень.
Лекція 9 «Побудова систем розпізнавання мови. Типові моделі та алгоритми».
Лабораторне заняття 9. Лабораторна робота 7 «Дослідження радіально-базисної нейронної мережі»

10 тиждень.
Лекція 10 «Основи аналізу часових рядів». 
Лабораторне заняття 10. Лабораторна робота 8 «Розпізнавання образів в практичних додат-ках. Розпізнавання мови».

11 тиждень.
Лекція 11 «Еволюційні  алгоритми. Генетичні алгоритми». 
Лабораторне заняття 11. Лабораторна робота 9 «Основи моделювання та прогнозування зна-чень часового ряду».

12 тиждень.
Лекція 12 «Загальні поняття нечітких множин та нечіткої логіки».
Лабораторне заняття 12. Лабораторна робота 10 «Генетичні алгоритми у вирішенні оптимі-заційних завдань»

13 тиждень.
Лекція 13 «Система нечіткого висновку».
Лабораторне заняття 13. Лабораторна робота 11 «Моделювання алгоритмів інтелектуального аналізу даних за індивідуальним завданням. Частина 1».

14 тиждень.
Лекція 14 «Методи та системи візуалізації даних».
Лабораторне заняття 14. Лабораторна робота 11 «Моделювання алгоритмів інтелектуального аналізу даних за індивідуальним завданням. Частина 2».

15 тиждень.
Лекція 15 «Перспективи розвитку моделей та методів інтелектуального аналізу даних. Уза-гальнення теоретичного та практичного матеріалу».
Лабораторне заняття 15. Лабораторна робота 11 «Моделювання алгоритмів інтелектуального аналізу даних за індивідуальним завданням. Частина 3».
Модульна контрольна робота 2.

Самостійна робота здобувача відбувається впродовж семестру та складається з підготовки до аудиторних занять, контрольних заходів, індивідуальних завдань.
Консультації: здійснюються викладачем впродовж семестру згідно розкладу.

Оцінювання результатів навчання

Оцінювання результатів навчання з дисципліни здійснюється за накопичувальною системою, яка дає можливість здобувачеві протягом семестру отримати максимально 100 балів.

Модуль 1
Лабораторні роботи 1 – 5 – до 5 балів, лабораторна робота 6 – до 10 балів. Всього 35 балів.
Модульна контрольна робота 1 – 15 балів (8 тиждень). 
Модульна контрольна робота 1 виконується у формі комп’ютерних тестів. Кількість тестових запитань – 30. Кожна правильна відповідь оцінюється в 0,5 бали. 

Модуль 2
Лабораторна робота 7 – 10 до 5 балів, лабораторна робота 11 – до 10 балів. Всього 30 балів.
Модульна контрольна робота 2 – 20 балів (15 тиждень).
Модульна контрольна робота 2 у формі комп’ютерних тестів. Кількість тестових запитань – 40. Кожна правильна відповідь оцінюється в 0,5 бали.

Посилання на рекомендовані джерела

1. Інтелектуальний аналіз даних : підручник / О. І. Черняк, П. В. Захарченко. – К. : Знання, 2014. – 599 с. 
2. Data Mining : пошук знань в даних / А. Я. Гладун, Ю. В. Рогушина. – К. : ТОВ ВД АДЕФ-Україна, 2016. – 452 с. 
3. Ланде Д.В., Субач І.Ю., Бояринова Ю.Є. Основи теорії і практики інтелектуального аналі-зу даних у сфері кібербезпеки: навчальний посібник. — К.: ІСЗЗІ КПІ ім. Ігоря Сікорського», 2018. — 297 с.
4. Susan E. McGregor Practical Python Data Wrangling and Data Quality Copyright © 2022 Susan E. McGregor. All rights reserved. Printed in the United States of America. — 578
5. Методичні вказівки до лабораторних робіт з дисципліни Інтелектуальний аналіз даних: Методичні вказівки / С. Г. Антощук, Д. В. Кошутіна, Тьєн Нгуєн. – Одеса: Політехперіодика, 2022. – 59 с.