Аналіз даних в програмній інженерії

Анотація навчальної дисципліни

Мета дисципліни:
забезпечення теоретично-практичної підготовки студентів, яка буде основою для  подальшого вивчення дисциплін, пов’язаних з технологіями розробки інформаційних систем. Надбання студентами знань з теоретичних та практичних основ сучасного аналізу даних за допомогою MS Excel, Google Analytics та Data Mining. Уміння використовувати отримані теоретичні знання для прогнозування при проектуванні програмного забезпечення, а також практичне застосування методів математичної статистиці. 

Завдання дисципліни:

уявлення про роль і місце аналізу даних у програмній інженерії;
ознайомлення з  особливостями аналізу даних як однієї з інформаційних технологій, з тим, щоб розуміти тенденції її розвитку, бачити переваги та недоліки, особливості роботи в умовах конкретних технологій;
ознайомлення з теоретичним базисом сучасних методів аналізу даних для розуміння успішності роботи програмних систем та веб-сайтів;
навчання практичній роботі з сучасними інструментальними засобами для аналізу даних;
навчання кваліфіковано використовувати можливості сучасних методів аналізу даних;
підготовка до виконання професійних обов’язків аналітика даних.

Основні результати навчання

Знати кодекс професійної етики, розуміти соціальну значимість та культурні аспекти інженерії програмного забезпечення і дотримуватись їх в професійній діяльності.

Знати і застосовувати професійні стандарти та інші нормативно-правові документи в галузі інженерії програмного забезпечення.

Форми організації освітнього процесу та види навчальних занять

Л – лекційні заняття; ЛР – лабораторні роботи; ПР – практичне заняття; СРС – самостійна робота здобувача вищої освіти; КР – курсова робота; МКР – модульна контрольна робота; К – консультації.

Тематика та види навчальних занять

1.    тиждень

Л1. Вступ у аналіз даних. Основні поняття і визначення. Завдання аналізу даних. Аналіз даних на прикладі. Основні етапи аналізу даних. 
ПР1. Дослідження та опис вимог для предметної області.
СРС. К.

2.    тиждень

Л2. Прогнозування в аналізі даних. Методи прогнозування. Метод експертних оцінок. Метод екстраполяції. Методи моделювання. Метод економічного прогнозування. Балансовий метод. Нормативний метод. 
ПР2. Аналіз даних в Google Analytics. Частина 1.
СРС. К.

3.    тиждень

Л3. Види прогнозів. Короткостроковий прогноз. Середньостроковий прогноз. Довгостроковий прогноз. Пошукове прогнозування. Творче прогнозування. Нормативне прогнозування. Інваріантний прогноз. Варіантний прогноз. Точковий прогноз. Інтервальний прогноз. 
ПР3. Аналіз даних в Google Analytics. Частина 2.
СРС. К.

4.    тиждень

Л4. Аналіз даних в MS Excel. Інструменти аналізу MS Excel. Дисперсійний аналіз. Кореляція. Коваріація.
ПР4. Аналіз даних в Google Analytics. Частина 3.
СРС. К.

5.    тиждень

Л5. Аналіз даних в MS Excel. Описова статистика. Експоненціальне згладжування. Аналіз Фур'є. Гістограма. Ковзне середнє. Генерація випадкових чисел. Вибірка. Регресія. 
ПР5. Аналіз даних в Google Analytics. Частина 4.
СРС. К.

6.    тиждень

Л6. Аналіз даних у Google Analytics. Основні поняття та визначення. Структура і створення облікового запису в Google Analytics. Уявлення та фільтри уявлень. Основні метрики і підходи. 
ПР6. Аналіз даних в Google Analytics. Частина 5.
СРС. К.

7.    тиждень

Л7. Аналіз даних у Google Analytics. Показник «Сеанси». Показник «Користувачі». Показник «Перегляди сторінок». Показник відмов. Показник «Відсоток нових сеансів». Базові методики аналізу даних.
ПР7. Аналіз даних в MS Excel. Частина 1.
СРС. К.

8.    тиждень

Л8. Аналіз даних у Google Analytics. Вибір часового діапазону даних. Відображення даних на графіку. Вибір основного параметра звіту. Основні звіти Google Analytics і робота з даними. Звіти розділу «Аудиторія». Розділ «Джерела трафіку». Звіти та аналіз трафіку.
ПР8. Аналіз даних в MS Excel. Частина 2.
МКР1. СРС. К.

9.    тиждень

Л9. Аналіз даних у Google Analytics. Використання сегментів. Розділ «Поведінка». Відсоток виходів. Звіт «Поведінка → Карта поведінки». Показник «Цінність сторінки». Звіт «Поведінка → Контент сайту → Аналіз відвідуваності». Звіт «Поведінка → Контент сайту → Сторінки виходу».
ПР9. Аналіз даних в Python. Частина 1.
СРС. К.

10.    тиждень

Л10. Аналіз даних у Google Analytics. Звіт «Поведінка → Події → Кращі події». Аналіз ефективності інтернет-проекту. Типи цілей. Звіт «Переходи → Цілі → Огляд». Висновки по темі.
ПР10. Аналіз даних в Python. Частина 2.
СРС. К.

11.    тиждень

Л11. Математична статистика для аналізу даних. Вступ, історія розвитку та основні визначення. Генеральна і вибіркова сукупності. Типи даних. Описова статистика. Випадкова величина та ймовірність події. Закон розподілу випадкових величин.
ПР11. Аналіз даних в Python. Частина 3.
СРС. К.

12.    тиждень

Л12. Математична статистика для аналізу даних. Розподіл Бернуллі та розподіл Пуассона. Нормальний та рівномірний розподіли. Розподіл Стьюдента. Поняття нульової та альтернативної гіпотези. Етапи аналізу даних. Подання даних.
ПР12. Практичні приклади аналізу даних у математичній статистиці. Частина 1.
СРС. К.

13.    тиждень

Л13. Математична статистика для аналізу даних. Вимірювання та оцінки в аналізі даних. Шкалування у аналізі даних. Програмне забезпечення для статистичного аналізу даних. Висновки по темі.
ПР13. Практичні приклади аналізу даних у математичній статистиці. Частина 1.
СРС. К.

14.    тиждень

Л14. Data Mining. Історія розвитку, основні особливості та визначення. Завдання аналізу даних. Класифікація систем Data Mining.
ПР14. Практичні приклади використання Data Mining. Частина 1.
МКР2.СРС. К.

15.    тиждень

Л15. Data Mining. Особливості використання Data Mining. Перспективи розвитку і сфери застосування Data Mining. Висновки по темі. Висновки по курсу.
ПР15. Практичні приклади використання Data Mining. Частина 2.
СРС. К.

Процедура оцінювання

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

Кожний модуль оцінюється у максимально можливі 50 балів:
Модульна робота складається з теоретичної частини  та практичної частини – задач. 

Максимальна оцінка за правильне виконання теоретичної частини модульної роботи №1 становить 15 балів, за виконання практичної частини – 10 балів. Максимальна оцінка за правильне виконання теоретичної частини модульної роботи №2 становить 15 балів, за виконання практичної частини – 10 балів.
Кількість тестів теоретичної частини модульної роботи №1 – 3 по 2 бали кожний, запитань теоретичної частини – 3 по 3 бали. 
Кількість задач модульної роботи №1 – 2. Правильне розв’язання кожної задачі оцінюється в 5 балів. 
Кількість тестів теоретичної частини модульної роботи №2 – 3 по 2 бали кожний, запитань теоретичної частини – 3 по 3 бали. 
Кількість задач модульної роботи №2 – 2. Правильне розв’язання кожної задачі оцінюється в 5 балів. 

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

Підсумковим контролем з дисципліни є усний екзамен, білет до якого складається з теоретичної частини (3 запитання) та практичної частини (2 задач). За бездоганну відповідь на кожне теоретичне питання студент отримує – 20 балів. За бездоганне виконання кожного завдання практичної частини студент отримує – 20 балів. За бездоганне виконання завдання практичної частини студент отримує 40 балів, а теоретичної – 60 балів.

Семестровий модуль № 1

ПР1- ПР4. Оцінка за виконання – 25 балів. Термін виконання – 1-8 тиждень. 
МК1. Модульна контрольна робота – 25 балів (8 тиждень). Перескладання можливе протягом 9–11 тижнів за розкладом консультацій.

Семестровий модуль № 2

ПР5- ПР8. Оцінка за виконання – 25 балів. Термін виконання – 9-15 тиждень. 
МК2. Модульна контрольна робота – 25 балів (14 тиждень).

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.    О.І. Черняк, П.В. Захарченко. Інтелектуальний аналіз даних: Підручник. Київський національний університет ім. Т. Шевченка. — К. : Знання, 2014. — 599 с.
2.    Мхітарян В.С. Аналіз даних. – Юрайтб 2017. — 179 с.
3.    Cirillo A. R Data Mining Packt Publishing, 2017. — 442 p. — ISBN 1787124460.  
4.    Torgo L. Data Mining with R: Learning with Case Studies 2nd ed. — Taylor & Francis;Chapman and Hall/CRC, 2017. — 426 p. — (Chapman & Hall/CRC Data Mining and Knowledge Discovery). — ISBN: 9781482234893, 1482234890
5.    Saiz A.Z., Gonzalez C.Q., Gil L.H., Ruiz D.M. An Introduction to Data Analysis in R: Handson Coding, Data Mining, Visualization and Statistics from Scratch Springer, 2020. — 291 p. — ISBN 978-3-030-48997-7 (eBook). 

Методична література
1.    Оніщенко, Т.В. Конспект лекцій з дисципліни «Аналіз даних в програмній інженерії» для студентів спеціальності 121 – Інженерія програмного забезпечення, – Одеса: ОНПУ, 2019. - 70 с. (КЛ11068)

Додаткова література
1.    Christopher Pal, Mark Hall, Eibe Frank, Ian Witten. Data Mining: Practical Machine Learning Tools and Techniques, 4rd ed. / Morgan Kaufmann, 2016. 
2.    Шумейко А. А.   Интеллектуальный анализ данных (Введение в Data Mining): учеб. пособ. / А. А. Шумейко, С. Л. Сотник. – Днепропетровск: Белая Е.А., 2012. – 212 с.