Интеллектуальный анализ данных

Описание: 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.

Количество кредитов: 6

Пререквизиты:

• Экспертные и интеллектуальные системы

Трудоемкость дисциплины:

Компонент: Компонент по выбору

Цикл: 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

Методы преподавания

- 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

Оценка знаний обучающегося

Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.

Политика оценивания результатов обучения по видам работ

Форма оценки

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
• Хранилище данных
• Многомерная модель данных OLAP
• Представление знаний Данные, информация, знания
• Подготовка данных для извлечения знаний
• Машинное обучение и классификация
• Деревья решений Индукция дерева решений
• Нейронные сети Искусственные нейроны и нейронные сети
• Основные понятия кластеризации Алгоритмы кластеризации
• Ассоциативные правила
• Логистическая регрессия
• Визуализация
• Text Mining
• Этапы процесса интеллектуального анализа данных
• Data Mining и общество: вопросы конфиденциальности и безопасности

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