Интеллектуальный анализ данных

Beschreibung: Интеллектуальный анализ данных как междисциплинарная область объединяет методы из баз данных, статистики, машинного обучения и поиска информации. Курс знакомит с основными методами интеллектуального анализа данных, используемыми в настоящее время, включая хранилище данных и очистку данных, кластеризацию, классификацию, интеллектуальный анализ ассоциативных правил, текстовое индексирование и алгоритмы поиска,. Разработка алгоритмов для этих задач затруднена, потому что наборы входных данных очень большие, а задачи могут быть очень сложными. Одним из основных направлений в этой области является интеграция этих алгоритмов с реляционными базами данных и извлечение информации из полуструктурированных данных.

Betrag der Credits: 6

Пререквизиты:

• Экспертные и интеллектуальные системы

Arbeitsintensität der Disziplin:

Komponente: Компонент по выбору

Zyklus: Базовые дисциплины

Цель

• Цель курса: познакомить магистрантов с основными понятиями и методами интеллектуального анализа данных; развить навыки использования новейшего программного обеспечения интеллектуального анализа данных для решения практических задач, получить опыт самообучения и исследования

Задача

• понимать алгоритмы и методы интеллектуального анализа данных
• разрабатывать программы и приложения интеллектуального анализа данных
• программировать, используя доступные инструменты интеллектуального анализа данных и языки общего назначения
• понимать анализ, метрики, визуализацию и навигацию по результатам интеллектуального анализа данных
• научиться использовать коммерческие инструменты интеллектуального анализа данных

Результат обучения: знание и понимание

• объяснить основные принципы методов интеллектуального анализа данных

Результат обучения: применение знаний и пониманий

• уметь выбирать эффективные методы решения прикладных задач с использованием технологии Data Mining в области бизнес-аналитики и исследований
• проектировать модели интеллектуального анализа данных и базы данных, чтобы использовать технологии интеллектуального анализа данных как часть более крупных систем

Результат обучения: формирование суждений

• умение формировать представление о нестандартных подходах к решению проблем и в поиске новых оригинальных идей и приемов проектирования с использованием технологии Data Mining в области бизнес-аналитики и исследований

Результат обучения: коммуникативные способности

• умение читать и переводить литературу по IT, работать с программными приложениями в области майнинга с английским интерфейсом

Результат обучения: навыки обучения или способности к учебе

• навыки получения новых знаний в области профессионального и дополнительного образования

Lehrmethoden

- Технология научно-исследовательской деятельности

- Технология учебно-научной деятельности

- Коммуникационные технологии (дискуссии, пресс-конференция, мозговой штурм, образовательные дебаты, и др.)

- Информационно-коммуникационные (в том числе дистанционные) технологии

Bewertung des Wissens der Studierenden

Die Bewertungspolitik der Lernergebnisse nach Arbeitstyp

Bewertungsbogen

Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:

• 40% результата, полученного на экзамене;
• 60% результатов текущей успеваемости.

Формула подсчета итоговой оценки:

 

где, Р₁, Р₂ – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.

Итоговая буквенная оценка и ее цифровой эквивалент в баллах:

Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:

Темы лекционных занятий

• Введение и математические основы. KDD процесс и методология Многомерный взгляд на интеллектуальный анализ данных Краткая история интеллектуального анализа данных и общества интеллектуального анализа данных
• Хранилище данных . Преимущества производительности хранилищ данных. Концепция многомерных данных.
• Многомерная модель данных OLAP. Определение OLAP-систем. Концептуальный многомерный взгляд. Двенадцать правил Кодда. Тест FASMI. Архитектура OLAP-систем. MOLAP. ROLAP. HOLAP
• Представление знаний Данные, информация, знания. Набор данных и их атрибуты. Измерение. Типы наборов данных. Форматы хранения данных. Базы данных. Классификация типов данных
• Подготовка данных для извлечения знаний. Понимание данных. Очистка данных. Интеграция и преобразование данных. Сжатие данных. Дискретизация и построение иерархии понятий
• Машинное обучение и классификация
• Деревья решений Индукция дерева решений. Пример дерева решений. Задача классификации дерева решений
• Нейронные сети Искусственные нейроны и нейронные сети. Процессы обучения. Математика нейронных сетей.
• Основные понятия кластеризации Алгоритмы кластеризации
• Ассоциативные правила. Алгоритм Apriori
• Логистическая регрессия
• Визуализация. Техники визуализации. Методы геометрических преобразований. Методы ориентированные на пиксели. Иерархические образы
• Text Mining. Задачи Text Mining.
• Этапы процесса интеллектуального анализа данных. Межотраслевой стандартный процесс интеллектуального анализа данных (CRISP-DM).
• Data Mining и общество: вопросы конфиденциальности и безопасности. Будущие направления

Основная литература

• Jiawei Han, Micheline Kamber, Jian Pei Data Mining: Concepts and Techniques 3rd Edition
• Graham J.Williams Simeon J. Data Mining: Theory, Methodology, Techniques and Applications, Springer, Australia, 2007. P.140

Дополнительная литература

• Sumathi S., Sivanandam S. Introduction to Data Mining and its Applications, Springer-Verlag Berlin Heidelberg 2006, P. 835