Анализ и визуализация данных

Смаилова Сауле Сансызбаевна

*InstructorProfile(zh-CN)*

内容描述: Практико-ориентированная форма обучения в рамках данной дисциплины позволяет реализовать важный этап интеллектуального анализа данных. Визуализация данных позволит оценить степень соответствия ожиданиям и пригодности данных к анализу, выдвижения гипотез о закономерностях и необходимых процедурах первичной обработки. Будут реализованы методы визуализации исходных данных, визуализации результатов первичной обработки, визуализации промежуточных и окончательных результатов.

贷款数: 5

Пререквизиты:

  • Анализ и моделирование информационных процессов

*СomplexityDiscipline(zh-CN)*:

*TypesOfClasses(zh-CN)* *hours(zh-CN)*
*Lectures(zh-CN)* 15
*PracticalWork(zh-CN)*
*LaboratoryWork(zh-CN)* 30
*srop(zh-CN)* 75
*sro(zh-CN)* 30
*FormOfFinalControl(zh-CN)* экзамен
*FinalAssessment(zh-CN)*

零件: Компонент по выбору

循环次数: Базовые дисциплины

Цель
  • Цели курса: познакомить докторантов с концепциями и методами анализа и методами визуализации; развить навыки использования новейшего программного обеспечения в сфере интеллектуального анализа данных для решения практических задач, получить опыт самостоятельного изучения и исследования.
Задача
  • Формирование теоретических знаний и практических базовых навыков сбора, хранения, обработки и анализа данных.
  • Развитие навыков анализа данных для решения широкого круга задач, моделирования хранения и обработки данных, прогнозирования сложных показателей.
Результат обучения: знание и понимание
  • Понимать теорию и основы хранения, обработки и анализа данных, расширенные инструменты для сбора, хранения, передачи и визуализации 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.
  • Уметь обрабатывать и анализировать большие объемы данных с помощью современного программного обеспечения
Результат обучения: формирование суждений
  • выявить основные этические и юридические проблемы аналитики
  • умение формировать представление о нестандартных подходах к решению задач и в поиске новых оригинальных идей и дизайнерских приемов с использованием технологии Data Mining в области научных исследований
Результат обучения: коммуникативные способности
  • умение читать и переводить литературу по IT, работать с программными приложениями в сфере майнинга с английским интерфейсом
Результат обучения: навыки обучения или способности к учебе
  • навыки для получения новых знаний в области профессионального и дополнительного образования
*TeachingMethods(zh-CN)*

При проведении учебных занятий предусматривается использование следующих образовательных технологий: - Технология научно-исследовательской деятельности - Технология учебно-исследовательской деятельности - Коммуникативные технологии (дискуссии, пресс-конференция, мозговой штурм, учебные дебаты и пр.) - Информационно-коммуникационные (в том числе дистанционные) технологии

*AssessmentKnowledge(zh-CN)*

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.

*Period2(zh-CN)* *TypeOfTask(zh-CN)* *Total(zh-CN)*
1  *Rating(zh-CN)* 0-100
2  *Rating(zh-CN)* 0-100
*TotalControl(zh-CN)* экзамен 0-100
*PolicyAssignmentTask(zh-CN)*
*TypeOfTask(zh-CN)* 90-100 70-89 50-69 0-49
Excellent *Grade4(zh-CN)* *Grade3(zh-CN)* *Grade2(zh-CN)*
*EvaluationForm(zh-CN)*

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:

И= 0,6 Р1+Р2 +0,4Э
2

 

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:

Оценка по буквенной системе Цифровой эквивалент Баллы (%-ное содержание) Оценка по традиционной системе
A 4.0 95-100 Отлично
A- 3.67 90-94
B+ 3.33 85-89 Хорошо
B 3.0 80-84
B- 2.67 75-79
C+ 2.33 70-74
C 2.0 65-69 Удовлетворительно
C- 1.67 60-64
D+ 1.33 55-59
D 1.0 50-54
FX 0.5 25-49 Неудовлетворительно
F 0 0-24
Темы лекционных занятий
Основная литература
  • Han J. Data Mining: Concepts and Techniques The Morgan Kaufmann Series in Data Management Systems (Selected Titles) 212 y. p.740
  • J. Godfrey. Methods for Data Science: III - Data Visualization and R, Lulu.com (November 25, 2015).-362 p. ISBN-13: 978-1329714878
Дополнительная литература
  • Charles D. Hansen and Chris R. Johnson, Visualization Handbook, Academic Press, 2004.
  • V.M. Sue, M.T.Griffin. Data Visualization & Presentation With Microsoft Office, SAGE Publicationc, Inc., 2016.-337p. ISBN-13: 978-1483365152.