Інтелектуальний аналіз даних

Анотація навчальної дисципліни

Мета дисципліни:

забезпечення формування цілісного уявлення у студентів про місце і роль інтелектуального аналізу даних в процесі дослідження, моделювання сучасних складних систем.

Завдання дисципліни:

-  розвити здатність накопичувати, обробляти та систематизувати професійні знання щодо створення і супроводження програмного забезпечення та визнання важливості навчання протягом всього життя;
- навчитися обґрунтовано обирати та освоювати інструментарій з розробки та супроводження програмного забезпечення;
- розвити здатність використовувати знання у системах штучного інтелекту (СШІ); принципів побудови СШІ, зокрема, експертних систем; технологій побудови інтелектуальних систем, представлення їх в загальній структурі ІТ.

 Основні результати навчання

Аналізувати, цілеспрямовано шукати і вибирати необхідні длявирішення професійних завдань інформаційно-довідникові ресурси ізнання з урахуванням сучасних досягнень науки і техніки.

Уміння вибирати та використовувати відповідні задачі методологіюстворення програмного забезпечення.

Вміти розробляти людино-машинний інтерфейс.

Застосовувати на практиці інструментальні програмні засобидоменного аналізу, проектування, тестування, візуалізації,вимірювань та документування програмного забезпечення.

Мотивовано обирати мови програмування та технології розробки для розв’язання завдань створення і супроводження програмногозабезпечення.

Знати, аналізувати, вибирати, кваліфіковано застосовувати засобизабезпечення інформаційної безпеки (в тому числі кібербезпеки) іцілісності даних відповідно до розв'язуваних прикладних завдань тастворюваних програмних систем.

Форми організації освітнього процесу та види навчальних занять

Л – лекційні заняття; ЛЗ – лабораторні заняття; СРЗ – самостійна робота здобувача вищої освіти;  МКР – модульна контрольна робота; К – консультації.

Тематика та види навчальних занять

1    тиждень

Л1.Введення в інтелектуальний аналіз даних. Поняття DataMining. Виникнення, перспективи, проблеми Datamining. Технологія DataMining як на частина ринку інформаційних технологій. Поняття даних. Поняття об'єкту і атрибуту, вибірки, залежної і незалежної змінної. Типи шкал. Типи наборів даних.
ЛЗ1. Навчання найпростішої нейронної мережі за алгоритмом зворотного поширення помилки. Частина 1.
СРС. К.

2    тиждень

Л2.Методи та стадії DataMining. Завдання DataMining. Стадії DataMining і дії, що виконуються в рамках цих стадій. Відомі класифікації методів DataMining. Порівняльна характеристика деяких методів, заснована на їх властивості.
СРС. К.

3    тиждень

Л3.  Завдання DataMining. Основна суть завдань DataMining та їх класифікація. Поняття "інформація", "знання", зіставлення і порівняння цих понять. Два завдання DataMining - класифікація і кластеризація. о суть завдань, процес рішення, методи вирішення, застосування. Порівняння двох розглянутих задач.Суть задачі прогнозування. Поняття часового ряду, його компоненти, параметри прогнозування, види прогнозів. Завдання візуалізації даних. 
ЛЗ2. Навчання найпростішої нейронної мережі за алгоритмом зворотного поширення помилки. Частина 2.СРС. К.

4    тиждень

Л4. Методи класифікації та прогнозування. Загальні положення теорії штучних нейронних мереж. Структура одношарових і багатошарових нейронних мереж Поняття навчання нейронної мережі. Класифікація алгоритмів навчання.
СРС. К.

5    тиждень

Л5. Основи штучних нейронних мереж. Персептрони. Визначення та архітектура персептрона. Клас задач, що вирішуються за допомогою персептрона. Алгоритми навчання персептрона. Збіжність алгоритму навчання та підбору кількісних характеристик вагових коефіцієнтів. Багатошарові персептрони і можливості їх навчання.
ЛЗ3. Навчання найпростішої нейронної мережі за алгоритмом зворотного поширення помилки. Частина 3.СРС. К.

6    тиждень

Л6.Процедура зворотного поширення. Опис алгоритму. процедура зворотного поширення - алгоритм навчання багатошарового персептрона з учителем. Слабкі місця алгоритму зворотного поширення. Методи вирішення деяких пов'язаних з цим проблем.СРС. К.

7    тиждень

Л7. Мережі зустрічного поширення. Нейронні мережі Хопфілда і Хеммінга. Архітектура, функціонування та методи навчання мереж зустрічного поширення.
ЛЗ4 . Моделювання періодичної функції однієї змінної. Частина 1.СРС. К.

8    тиждень

Л8. Нейронні мережі Хопфілда і Хеммінга. Мережі Хопфілда та її модифікація - мережа Хеммінга. Стійкість мережі Хопфілда. Поняття асоціативності пам'яті і задача розпізнавання образів. Подання інформації в мережі Хопфілда, що вирішує завдання комівояжера. СРС. К.
МКР 1

9    тиждень

Л9. Введення в експертні системи (ЕС) як самостійний напрямок інтелектуального аналізу даних. Структура ЕС. Етапи розробки ЕС. Що таке ЕС, мета створення ЕС. Програмні середовища, що базуються на технології ЕС. Технологія ЕС.
ЛЗ5. Моделювання періодичної функції однієї змінної. Частина 2. СРС. К.

10    тиждень

Л10. Cтруктура ЕС.Етапи розробки. Основні компоненти ЕС: інтерпретатор, робоча пам’ять (база даних), база знань, компоненти придбання знань, пояснювальний компонент, діалоговий компонент.СРС. К.

11    тиждень

Л11. Етапи розробки ЕС. Вимоги до розробки ЕС. Чинники виправданого застосування ЕС. Технологія розробки.
ЛЗ6. Прогнозування часових рядів з використанням нейронних мереж.Частина 1. 
СРС. К.

12    тиждень

Л12. Подання знань в ЕС. Рівняння подання та рівні детальності. Організація знань в робочій системі. Організація знань в базі даних. Інтерфейс з кінцевим користувачем. Коло питань, що вирішуються при поданні знань в ЕС.Призначення робочої пам’яті ЕС. Способи організації знань.Проблема доступу до знань: зв’язність даних і знань, механізм доступу до знань, спосіб зіставлення. СРС. К.

13    тиждень

Л13. Методи пошуку рішень в ЕС. Основні методи рішення. Особливості предметної області с точки зору методів рішення. Вимоги користувача до результату рішення завдання.
ЛЗ7. Прогнозування часових рядів з використанням нейронних мереж.Частина2.
СРС. К.

14    тиждень

Л14. Інструментальні комплекси для створення ЕС. Основні інструментальні комплекси для створення ЕС. Сучасний інструмент для створення ЕС – CLIPS..
СРС. К. 
МКР2.

15    тиждень

Л15. Використання методів інтелектуального аналізу даних в перспективних напрямках розвитку інформаційних технології. Огляд найбільш успішних продуктів, бібліотек в обраному напрямку з області аналізу даних. Історія розвитку, ступінь розвитку, призначення, функції, конкретні приклади використання, самостійне застосування, ліцензії, стандарти, що застосовуються засоби аналізу даних, що надаються API, сумісні технології.
ЛЗ8. Прогнозування часових рядів з використанням нейронних мереж. Частина3.СРС. К.

Процедура оцінювання

Система оцінювання рівня навчальних досягнень ґрунтується на принципах ЄКТС та є накопичувальною. Студенти протягом семестру готуються до лекційних, лабораторних занять, виконують 2 модульні контрольні роботи.
Для забезпечення оперативного контролю за успішністю та якістю рівня навчальних досягнень здобувачів вищої освіти дисципліна поділяється на два семестрові модулі.

Модульні контрольні роботи № 1 та № 2 виконуються у письмовій формі. Модульна робота складається з тестових завдань. 

Максимальна оцінка за правильне виконання модульної роботи  становить 30 балів.
Кількість тестових завдань   – 15. Кожна правильна відповідь оцінюється в 2 бали.

Кожний модуль оцінюється у максимально можливі 50 балів:

Семестровий модуль № 1

ЛЗ1- ЛЗ4. Оцінка за виконання – 20 балів. Термін виконання – 1-8 тиждень. 
МК1. Модульна контрольна робота – 30 балів (8 тиждень). Перескладання можливе протягом 9–11 тижнів за розкладом консультацій.

Семестровий модуль № 2

ЛЗ5- ЛЗ8. Оцінка за виконання – 20 балів. Термін виконання – 9-15 тиждень. 
МК2. Модульна контрольна робота – 30 балів (14 тиждень).

Максимальна оцінка, яку може отримати здобувач за всі виконані види робіт – 100 балів. 

Підсумковим контролем з дисципліни є іспит.

Іспит з дисципліни складається з тестових завдань. Мінімальна кількість балів. що зараховується як позитивний результат, дорівнює 60 (за 100- бальною системою). 

Екзаменаційний білет містить 50 теоретичних та практичних питань. За правильну відповідь на кожне питання здобувач отримує – 2 бали.

Умови допуску до підсумкового контролю

До екзамену допускаються здобувачі вищої освіти, які виконали всі види навчальних елементів навчальної дисципліни на не менш, ніж на 60 %.

Екзамен відбувається за всіма тематичними (змістовними) модулями дисципліни.

Політика освітнього процесу

Здобувач зобов’язаний своєчасно та якісно виконувати всі отримані завдання; за необхідністю з метою з’ясування всіх не зрозумілих під час самостійної та індивідуальної роботи питань, відвідувати консультації викладача. Дотримуватись принципів академічної доброчесності. 

Виконаний не свій варіант завдання здобувачем не оцінюється.

Робота, яка виконана після встановлених викладачем термінів, не приймається.

Відсутність здобувача на екзамені або на контрольній роботі відповідає оцінці «0».

Складання/перескладання екзаменів – за встановленим деканатом розкладом.

Під час лекції здійснювати телефонні дзвінки забороняється.

Заборонено використання будь-яких підручників, посібників, конспектів лекцій, шпаргалок під час проходження модульних контролів та екзамену з дисципліни

Документи (файли), що додаються: Робоча програма навчальної дисципліни.

Література
1.    Інтелектуальний аналіз даних: Комп’ютерний практикум [Електронний ресурс] : навч. посібник / О. О. Сергеєв-Горчинський, Г. В. Іщенко. – Київ : КПІ ім. Ігоря Сікорського, 2018. – 73 с. – Режим доступу: https://ela.kpi.ua/bitstream/123456789/24971/1/Komp_prakt.pdf
2.    Фісун М.Т. Інтелектуальний аналіз даних: практикум. - Видавництво: Новий світ-2000, 2021. – 162 с.
3.    Mohammed J. Zaki, Wagner Meira, Jr., Data Mining and Machine Learning: Fundamental Concepts and Algorithms [Electronic resource] 2nd Edition, Cambridge University Press, March 2020. Access mode: https://dataminingbook.info/book_html/