Data mining

Краткое содержание учебной дисциплины, модуля / Brief summary

Цель дисциплины «Интеллектуальный анализ данных»: подготовка специалистов, способных использовать фундаментальные математические знания в качестве основы при выполнении прикладных исследований в области обработки данных и искусственного интеллекта, формирование у студентов представления о типах задач, возникающих в области интеллектуального анализа данных, изучение основных подходов и методов решения задач анализа больших данных и особенностей их применения к решению реальных задач.

Задачи учебной дисциплины:

– изучение методов и алгоритмов анализа больших данных;

– формирование теоретических знаний, практических умений и навыков работы с большими объемами данных;

– развитие навыков применения теоретических знаний при решении прикладных задач в области интеллектуального анализа данных.

The purpose of the discipline “Intelligent Data Analysis”: training of specialists capable of using fundamental mathematical knowledge as a basis for applied research in the field of data processing and artificial intelligence, the formation of students’ understanding of the types of problems arising in the field of data mining, the study of basic approaches and methods of solving problems of big data analysis and the features of their application to the solution of real problems.

Tasks of the academic discipline:

– study of methods and algorithms of big data analysis;

– formation of theoretical knowledge, practical skills and skills of working with large amounts of data;

– development of skills of application of theoretical knowledge in solving applied problems in the field of data mining.

Формируемые компетенции / The formed competences

Специализированные компетенции:

СК-2. Использовать инструменты анализа и алгоритмы обработки данных.

Specialized Competencies: 

SC-2. Use analysis tools and data processing algorithms.

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

В результате изучения учебной дисциплины магистрант должен:

знать:

– понятия добычи данных, интеллектуального анализа данных, разведочного анализа данных;

– этапы интеллектуального анализа данных;

– методы подготовки данных, их первичной обработки, уменьшения объема, отбора значимых признаков, организации и хранения данных;

– инструменты анализа и алгоритмы обработки данных;

– критерии оценки качества моделей;

уметь:

– решать задачи интеллектуального анализа данных: сбор информации, структуризация информации, выявление скрытых закономерностей в данных, их анализ, прогнозирование и получение рекомендаций;

– использовать инструменты анализа и алгоритмы обработки данных;

– осуществлять обоснованный подбор гиперпараметров моделей;

– выполнять оценку и сравнительный анализ точности используемых моделей;

владеть:

– навыками прикладного анализа данных с помощью изученных методов;

– инструментами для работы с алгоритмами ИАД в современных средах ИАД.

As a result of studying the academic discipline, a master’s student should:

know:

– the concepts of data mining, data mining, data mining, exploratory data analysis;

– stages of data mining;

– methods of data preparation, primary data processing, data reduction, selection of significant features, data organization and storage;

– analysis tools and algorithms for data processing;

– criteria for assessing the quality of models;

be able to:

– solve the tasks of intellectual data analysis: data collection, information structuring, identification of hidden patterns in data, their analysis, forecasting and obtaining recommendations.

– make a reasonable selection of hyperparameters of IO models;

– evaluate and comparatively analyze the accuracy of the used models;

possess:

– skills of applied data analysis using the studied methods;

– tools for working with Data Mining algorithms in modern Data Mining environments.

Семестр изучения учебной дисциплины, модуля / Semester of study

3

3

Пререквизиты / Prerequisites

«Математика машинного обучения», «Язык Python в промышленном окружении»

“The mathematics of machine learning”,

“The Python language in an industrial environment”

Трудоемкость в зачетных единицах (кредитах) / Credit units

3

3

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

для очной формы получения высшего образования – 126 часов, в том числе 72 аудиторных часа, из них: лекции – 28 часов, лабораторные занятия – 36 часов, управляемая самостоятельная работа – 8 часов;

для заочной формы получения высшего образования – 16 аудиторных часов, из них: лекции – 8 часов, лабораторные занятия – 8 часов.

for the full-time higher education program –  total 126 hours, including 72 hours of students’ class work, including: lectures – 28 hours, laboratory classes – 36 hours, self-directed learning – 8 hours; 

for the part-time higher education program – 16 students’ class work, including: lectures – 8 hours, laboratory classes – 8 hours.

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

Текущая аттестация: отчет по лабораторной работе с устной защитой; отчет по заданиям УСР с устной защитой; контрольный опрос; контрольная работа.

Промежуточная аттестация: зачет 

Current certification: report on laboratory work with oral defense; report on the self-directed learning tasks with oral defense; control questioning; control work.

Interim certification: credit