Закреплена за кафедрой | Кафедра цифровых технологий и бизнес-аналитики |
---|---|
Направление подготовки | 09.03.03. Прикладная информатика |
Профиль | Прикладная информатика в экономике |
Форма обучения | Заочная |
Общая трудоемкость | 3 ЗЕТ |
Учебный план | z09_03_03_ПИЭ-234-2019 |
|
|
Распределение часов по курсам
Курс | 3 | Итого | ||
---|---|---|---|---|
Вид занятий | УП | РПД | УП | РПД |
Лекции | 4 | 4 | 4 | 4 |
Лабораторные | 2 | 2 | 2 | 2 |
Практические | 4 | 4 | 4 | 4 |
Сам. работа | 94 | 94 | 94 | 94 |
Часы на контроль | 4 | 4 | 4 | 4 |
Итого | 108 | 108 | 108 | 108 |
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2019-2020 учебном году на заседании
кафедры
Кафедра цифровых технологий и бизнес-аналитики
Протокол от 31.08.2019 г. № 8
Заведующий кафедрой канд. физ.-мат. наук, Юдинцев Алексей Юрьевич
1.1. | формирование у будущих специалистов практических навыков по основам интеллектуального анализа данных, применения современных информационных технологий интеллектуального анализа данных для решения экономических, управленческих и других прикладных задач, развитие умения работы с современными программными средствами, обучение работе с научно-технической литературой и технической документацией по программному обеспечению. Задачи изучения дисциплины - реализация требований, установленных в квалификационной характеристике в области анализа, создания, внедрения, сопровождения и применения средств математического обеспечения информационных систем предметной области. |
---|
Цикл (раздел) ООП: Б1.В.ДВ.03 |
ПК-23 | способностью применять системный подход и математические методы в формализации решения прикладных задач |
ПК-24 | способностью готовить обзоры научной литературы и электронных информационно-образовательных ресурсов для профессиональной деятельности |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | основы организации хранилищ данных (ХД), OLAP-технологии, архитектуру ХД и OLAP-систем; методы интеллектуального анализа данных — технологии BI, OLAP, Data Mining; средства визуального анализа данных; технологии Text-Mining, Web-Mining. |
3.2. | Уметь: |
3.2.1. | разрабатывать алгоритмы решения задач методами Data Mining; проектировать хранилища данных для решения поставленных задач анализа данных в предметной области; применять на практике программные средства и прикладные библиотеки для консолидации и подготовки данных, для решения задач методами Data Mining. |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | построения хранилищ данных, организации процесса ETL, работы с OLAP-технологиями; применения алгоритмов Data Mining для решения соответствующих задач; применения технологий Text-Mining, Web-Mining. |
Код занятия | Наименование разделов и тем | Вид занятия | Курс | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Введение. Интеллектуальный анализ данных, извлечение знаний из данных. Регрессионный анализ. Кластеризация. Визуальный анализ данных. | ||||||
1.1. | Введение. Базовые понятия. | Лекции | 3 | 1 | ПК-23 | Л2.5, Л2.3, Л2.1, Л2.2, Л2.4 |
1.2. | Хранилища данных. Концепция ХД. Задачи, решаемые ХД. Свойства хранилищ данных. Архитектура СППР. Структура хранилища данных. | Лекции | 3 | 1 | ПК-23 | Л2.3, Л2.1, Л1.1 |
1.3. | Хранилища данных. Концепция ХД. Задачи, решаемые ХД. Свойства хранилищ данных. Архитектура СППР. Структура хранилища данных. | Сам. работа | 3 | 6 | ПК-23 | Л2.3 |
1.4. | Консолидация данных. ETL-процесс. | Сам. работа | 3 | 7 | ПК-23 | Л2.3 |
1.5. | OLAP-системы. Многомерная модель данных. Концепция ОLАР. Архитектура OLAP-систем. | Лекции | 3 | 1 | ПК-23 | Л2.3 |
1.6. | OLAP-системы. Многомерная модель данных. Концепция ОLАР. Архитектура OLAP-систем. | Сам. работа | 3 | 6 | ПК-23 | Л2.3 |
1.7. | Data Mining. Основные понятия. Задачи Data Mining. Классификация. Кластеризация. Прогнозирование. Поиск ассоциативных правил. Основные направления Data Mining (Text Mining, Web Mining, Call Mining). | Лекции | 3 | 1 | ПК-23 | Л2.3, Л2.1, Л1.2, Л2.6 |
1.8. | Data Mining. Основные понятия. Задачи Data Mining. Классификация. Кластеризация. Прогнозирование. Поиск ассоциативных правил. Основные направления Data Mining (Text Mining, Web Mining, Call Mining). | Сам. работа | 3 | 8 | ПК-23 | Л2.6 |
1.9. | Введение в искусственные нейронные сети. Биологическая нейронная сеть. Математическая модель нейрона. Искусственные нейронные сети. | Сам. работа | 3 | 2 | ПК-23 | Л2.3, Л2.1, Л1.2 |
1.10. | Модели нейрона. Сигмоидальный нейрон. Нейрон типа «адалайн». Паде-нейрон. Нейрон с квадратичным сумматором. Сигма-Пи нейроны. Модель нейрона Хебба. Стохастическая модель нейрона. Нейроны типа WTA. Кубические модели нейронов. | Сам. работа | 3 | 6 | ПК-23 | Л2.6 |
1.11. | Искусственные нейронные сети. Топология сетей. Однослойные сети. Самоорганизующиеся карты Кохонена (SOM). Многослойные сети. Функционирование сетей. Сети периодического функционирования. Сети непрерывного функционирования. Архитектура искусственных нейронных сетей. Перцептрон Розенблатта. Многослойный перцептрон. Нейросети Хопфилда. Порогово-полиномиальные нейросети. Обучение и оптимизация ИНС. Универсальный путь обучения. Особенности задачи оптимизации, возникающей при обучении нейронных сетей. Учёт ограничений при обучении. Выбор направления минимизации. Партан-методы. Одношаговый квазиньютоновский метод и сопряжённые градиенты. | Сам. работа | 3 | 6 | ПК-23 | Л2.6 |
1.12. | Big Data. Основные понятия. Хранение и обработка больших данных. NoSQL. Технологии анализа Big Data. Современная ситуация с Big Data. Будущие возможности для бизнеса. | Сам. работа | 3 | 6 | ПК-23 | Л2.6 |
1.13. | Консолидация данных. Создание хранилища данных на платформе Deductor (Loginom). | Лабораторные | 3 | 0,5 | ПК-23 | Л2.3, Л2.1 |
1.14. | Доработка лабораторной работы. | Сам. работа | 3 | 4 | ПК-23 | Л2.3 |
1.15. | Проектирование ROLAP-системы в среде IBM Rational Data Architect. | Практические | 3 | 2 | ПК-23 | Л2.3 |
1.16. | Кластеризация, базовые алгоритмы кластеризации, метод k-means. | Лабораторные | 3 | 0,5 | ПК-23 | Л2.3, Л2.1 |
1.17. | Доработка лабораторной работы. | Сам. работа | 3 | 4 | ПК-23 | Л2.3, Л2.6 |
1.18. | NoSQL. Работа с CouchDB. | Лабораторные | 3 | 0,5 | ПК-23 | Л2.3, Л2.1 |
1.19. | Доработка лабораторной работы. | Сам. работа | 3 | 4 | ПК-23 | Л2.6 |
1.20. | Основы классификации данных, построение деревьев решений. | Сам. работа | 3 | 4 | ПК-23 | Л2.3, Л2.1 |
1.21. | Регрессионный анализ, метод наименьших квадратов. | Сам. работа | 3 | 4 | ПК-23 | Л2.3, Л2.1 |
1.22. | Кластеризация, базовые алгоритмы кластеризации, метод k-means. | Лабораторные | 3 | 0,5 | ПК-23 | Л2.3, Л2.1 |
1.23. | Доработка лабораторной работы. | Сам. работа | 3 | 4 | ПК-23 | Л2.6 |
1.24. | Основные задачи и методы Text-Mining. | Сам. работа | 3 | 4 | ПК-23 | Л2.3 |
1.25. | Визуальный анализ данных. | Сам. работа | 3 | 4 | ПК-23 | Л2.3 |
1.26. | Методы извлечения Web контента. | Практические | 3 | 1 | ПК-23 | Л2.3, Л2.1 |
1.27. | Средства анализа процессов. | Сам. работа | 3 | 8 | ПК-23 | Л2.3, Л2.1 |
1.28. | Регрессионный анализ, метод наименьших квадратов. | Сам. работа | 3 | 7 | ПК-23 | Л2.3, Л2.1 |
1.29. | Хранилища данных. Основы OLAP-технологии, архитектура OLAP-системы. | Практические | 3 | 1 | ПК-23 | Л2.3, Л2.1 |
5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
См. Приложения. |
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
Не предусмотрены. |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
См. Приложения. |
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | Туманов, В .Е. | Проектирование хранилищ данных для систем бизнес-аналитики: учебное пособие | Интернет-Университет Информационных Технологий, 2010 | biblioclub.ru |
Л1.2 | Крутиков В. Н., Мешечкин В. В. | Анализ данных: учебное пособие | Кемеровский государственный университет, 2014 // ЭБС "Университетская библиотека online" | biblioclub.ru |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | Xindong Wu (Editor), Vipin Kumar (Editor) | The Top Ten Algorithms in Data Mining (Chapman & Hall/CRC Data Mining and Knowledge Discovery Series): | Taylor & Francis Group, LLC, 2009 | |
Л2.2 | Гармаш, А. Н. | Экономико-математические методы и прикладные модели: учебник для бакалавриата и магистратуры | М.: Издательство Юрайт // ЭБС «Юрайт», 2017 | www.biblio-online.ru/book/62CA472C-1C3E-48F7-B963-6762D5A89A50. |
Л2.3 | Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. | Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP : Учебное пособие | БХВ-Петербург, 2007 | |
Л2.4 | Уэс Маккинли | Python и анализ данных: | Издательство "ДМК Пресс", 2015 | e.lanbook.com |
Л2.5 | Симчера В.М. | Методы многомерного анализа статистических данных: | М.: Финансы и статистика // ЭБС "ONLINE", 2008 | biblioclub.ru |
Л2.6 | Чубукова, И. А. | Data Mining: | Интернет-Университет Информационных Технологий, 2008 | biblioclub.ru |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Data Mining | www.intuit.ru | ||
Э2 | BaseGroup Labs | basegroup.ru | ||
6.3. Перечень программного обеспечения | ||||
Аналитическая платформа Deductor Academic Microsoft Windows Microsoft Office 7-Zip AcrobatReader | ||||
6.4. Перечень информационных справочных систем | ||||
Не предусмотрены. |
Аудитория | Назначение | Оборудование |
---|---|---|
Учебная аудитория | для проведения занятий лекционного типа, занятий семинарского типа (лабораторных и(или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проектирования (выполнения курсовых работ), проведения практик | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска) |
Помещение для самостоятельной работы | помещение для самостоятельной работы обучающихся | Компьютеры, ноутбуки с подключением к информационно-телекоммуникационной сети «Интернет», доступом в электронную информационно-образовательную среду АлтГУ |
109М | лаборатория информационных технологий - компьютерный класс – учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 13 посадочных мест; рабочее место преподавателя; доска магнитно-маркерная 1 шт.; компьютеры: марка NAIO Corp Z520 - 13 ед. |
109М | лаборатория информационных технологий - компьютерный класс – учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 13 посадочных мест; рабочее место преподавателя; доска магнитно-маркерная 1 шт.; компьютеры: марка NAIO Corp Z520 - 13 ед. |
На лекциях преподаватель знакомит слушателей с основными понятиями и положениями по текущей теме. На лекциях слушатель получает только основной объём информации по теме. Только посещение лекций является недостаточным для подготовки к лабораторным занятиям и экзамену. Требуется также самостоятельная работа по изучению основной и дополнительной литературы и закрепление полученных на лабораторных занятиях навыков. Практические задания по темам выполняются на лабораторных занятиях в компьютерном классе. Если лабораторные занятия пропущены (по уважительной или неуважительной причине), то соответствующие задания необходимо выполнить самостоятельно и представить результаты преподавателю на очередном занятии, консультации или через образовательный портал. Самостоятельная работа студентов – способ активного, целенаправленного приобретения студентом новых для него знаний, умений и навыков без непосредственного участия в этом процессе преподавателя. Качество получаемых студентом знаний напрямую зависит от качества и количества необходимого доступного материала, а также от желания (мотивации) студента их получить. При обучении осуществляется целенаправленный процесс взаимодействия студента и преподавателя для формирования знаний, умений и навыков. Все необходимые методические материалы размещены на образовательном портале АлтГУ https://portal.edu.asu.ru/course/view.php?id=3027 |