Интеллектуальный анализ данных

Код специальности / Specialty code: Код специальности / Specialty code: 7-06-0533-04

Специальность / Specialty: Математика и компьютерные науки / Mathematics and Computer Sciences

Учебная дисциплина, модуль / Academic discipline, module: Интеллектуальный анализ данных / Intelligent Data Analysis

Краткое содержание учебной дисциплины, модуля / Brief summary

Курс «Интеллектуальный анализ данных» обеспечивает углублённую подготовку специалистов в области анализа и обработки данных больших объёмов и искусственного интеллекта. Темы включают: методы и алгоритмы интеллектуального анализа данных, типологию задач анализа данных, основы машинного обучения (обучение с учителем и без учителя), нейронные сети и глубокое обучение, методы оптимизации и генетические алгоритмы, а также практическую реализацию с использованием языка Python и соответствующих библиотек.

The course «Intelligent Data Analysis» provides advanced training of specialists in the field of big data analysis and processing and artificial intelligence. Topics include: methods and algorithms of intelligent data analysis, typology of data analysis problems, fundamentals of machine learning (supervised and unsupervised learning), neural networks and deep learning, optimization methods and genetic algorithms, and practical implementation using Python and relevant libraries.

Формируемые компетенции / The formed competences

специализированные компетенции: Быть способным эффективно использовать алгоритмы обработки данных и нейронные сети (профилизация «Компьютерная математика и системный анализ»).

Использовать инструменты анализа и алгоритмы обработки данных (профилизация «Веб-программирование и интернет-технологии»).

specialized competencies: Be able to effectively use data processing algorithms and neural networks (specialization «Computer Mathematics and Systems Analysis»).

Use data analysis tools and data processing algorithms (specialization «Web Programming and Internet Technologies»).

Результаты обучения (знать, уметь, владеть) / Learning outcomes (know, can, be able)

знать: 

– основные задачи, методы и типологию задач анализа данных;

– инструменты анализа и алгоритмы обработки данных;

– базовые понятия теории машинного обучения и подходы к решению задач;

– принципы устройства, обучения и работы нейронных сетей;

– основные методы глубокого обучения;

– языки программирования, библиотеки и пакеты для анализа данных;

уметь: 

– вычленять задачи анализа данных из практических задач;

– находить скрытые закономерности и внутренние структуры в данных;

– применять методы интеллектуального анализа данных;

– выбирать модель данных и алгоритм, наиболее адекватные задаче;

– сравнивать результаты решения задачи различными алгоритмами и обосновывать выбор наилучшего;

– использовать языки программирования и пакеты для решения прикладных задач;

владеть: 

– навыками решения задач извлечения, анализа и обработки данных с использованием математических компьютерных приложений;

– навыками использования инструментов анализа и обработки данных;

– навыками программирования в контексте анализа данных.

know: 

– main tasks, methods and typology of data analysis problems;

– data analysis tools and data processing algorithms;

– basic concepts of machine learning theory and problem-solving approaches;

– principles of neural network design, training and operation;

– main deep learning methods;

– programming languages, libraries and packages for data analysis;

be able to: 

– identify data analysis problems within practical tasks;

– find hidden patterns and internal structures in data;

– apply intelligent data analysis methods;

– select the data model and algorithm most appropriate for the task;

– compare results of solving a problem using different algorithms and justify the best choice;

– use programming languages and packages to solve applied problems;

possess: 

– skills in solving data extraction, analysis and processing problems using mathematical computer applications;

– skills in using data analysis and processing tools;

– programming skills in the context of data analysis.

Семестр изучения учебной дисциплины, модуля / Semester of study

3

3

Пререквизиты / Prerequisites

«Математика машинного обучения», «Методы программирования», «Теория вероятностей и математическая статистика».

«Mathematics of Machine Learning», «Programming Methods», «Probability Theory and Mathematical Statistics».

Трудоемкость в зачетных единицах (кредитах) / Credit units

6 (профилизация «Компьютерная математика и системный анализ»); 3 (профилизация «Веб-программирование и интернет-технологии»)

6 (specialization «Computer Mathematics and Systems Analysis»); 3 (specialization «Web Programming and Internet Technologies»)

Количество аудиторных часов и часов самостоятельной работы / Academic hours of students’ class work, hours of self-directed learning

всего 198 часов (КМ и СА) / 126 часов (ВП и ИТ), в том числе 72 аудиторных часа, из них: лекции – 28 часов, лабораторные занятия – 36 часов, управляемая самостоятельная работа – 8 часов.

total 198 hours (CM&SA) / 126 hours (WP&IT), including 72 classroom hours, including: lectures – 28 hours, laboratory classes – 36 hours, guided independent work – 8 hours.

Требования и формы текущей и промежуточной аттестации / Requirements and forms of current and interim certification

зачёт, экзамен

pass/fail exam, exam