МИНОБРНАУКИ РОССИИ
федеральное государственное бюджетное образовательное учреждение высшего образования
«Алтайский государственный университет»

Информационные технологии интеллектуального анализа данных
рабочая программа дисциплины

Закреплена за кафедройКафедра прикладной информатики в экономике, государственном и муниципальном управлении
Направление подготовки09.03.03. Прикладная информатика
ПрофильПрикладная информатика в экономике
Форма обученияЗаочная
Общая трудоемкость3 ЗЕТ
Учебный планz09_03_03_ПИЭ-234-2019
Часов по учебному плану 108
в том числе:
аудиторные занятия 10
самостоятельная работа 94
контроль 4
Виды контроля по курсам
зачеты: 3

Распределение часов по курсам

Курс 3 Итого
Вид занятий УПРПДУПРПД
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

Программу составил(и):
канд. техн. наук, доцент , Данько Евгений Викторович

Рецензент(ы):
канд. техн. наук, доцент , Трошкина Галина Николаевна

Рабочая программа дисциплины
Информационные технологии интеллектуального анализа данных

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования по направлению подготовки 09.03.03 ПРИКЛАДНАЯ ИНФОРМАТИКА (уровень бакалавриата) (приказ Минобрнауки России от 12.03.2015г. №207)

составлена на основании учебного плана:
09.03.03 Прикладная информатика
утвержденного учёным советом вуза от 25.06.2019 протокол № 9.

Рабочая программа одобрена на заседании кафедры
Кафедра прикладной информатики в экономике, государственном и муниципальном управлении

Протокол от 31.08.2019 г. № 8
Срок действия программы: 2019-2020 уч. г.

Заведующий кафедрой
канд. физ.-мат. наук, Юдинцев Алексей Юрьевич

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 прикладной информатики в экономике, государственном и муниципальном управлении

Протокол от 31.08.2019 г. № 8
Заведующий кафедрой канд. физ.-мат. наук, Юдинцев Алексей Юрьевич

1. Цели освоения дисциплины

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.

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.В.ДВ.03

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

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.

4. Структура и содержание дисциплины

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 Л2.1, Л2.2, Л2.3, Л2.4, Л2.5
1.2. Хранилища данных. Концепция ХД. Задачи, решаемые ХД. Свойства хранилищ данных. Архитектура СППР. Структура хранилища данных. Лекции 3 1 ПК-23 Л2.2, Л2.3, Л1.2
1.3. Хранилища данных. Концепция ХД. Задачи, решаемые ХД. Свойства хранилищ данных. Архитектура СППР. Структура хранилища данных. Сам. работа 3 6 ПК-23 Л2.2
1.4. Консолидация данных. ETL-процесс. Сам. работа 3 7 ПК-23 Л2.2
1.5. OLAP-системы. Многомерная модель данных. Концепция ОLАР. Архитектура OLAP-систем. Лекции 3 1 ПК-23 Л2.2
1.6. OLAP-системы. Многомерная модель данных. Концепция ОLАР. Архитектура OLAP-систем. Сам. работа 3 6 ПК-23 Л2.2
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 Л2.2, Л2.3, Л1.1, 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 Л2.2, Л2.3, Л1.1
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 Л2.2, Л2.3
1.14. Доработка лабораторной работы. Сам. работа 3 4 ПК-23 Л2.2
1.15. Проектирование ROLAP-системы в среде IBM Rational Data Architect. Практические 3 2 ПК-23 Л2.2
1.16. Кластеризация, базовые алгоритмы кластеризации, метод k-means. Лабораторные 3 0.5 ПК-23 Л2.2, Л2.3
1.17. Доработка лабораторной работы. Сам. работа 3 4 ПК-23 Л2.2, Л2.6
1.18. NoSQL. Работа с CouchDB. Лабораторные 3 0.5 ПК-23 Л2.2, Л2.3
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 Л2.2, Л2.3
1.21. Регрессионный анализ, метод наименьших квадратов. Сам. работа 3 4 ПК-23 Л2.2, Л2.3
1.22. Кластеризация, базовые алгоритмы кластеризации, метод k-means. Лабораторные 3 0.5 ПК-23 Л2.2, Л2.3
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 Л2.2
1.25. Визуальный анализ данных. Сам. работа 3 4 ПК-23 Л2.2
1.26. Методы извлечения Web контента. Практические 3 1 ПК-23 Л2.2, Л2.3
1.27. Средства анализа процессов. Сам. работа 3 8 ПК-23 Л2.2, Л2.3
1.28. Регрессионный анализ, метод наименьших квадратов. Сам. работа 3 7 ПК-23 Л2.2, Л2.3
1.29. Хранилища данных. Основы OLAP-технологии, архитектура OLAP-системы. Практические 3 1 ПК-23 Л2.2, Л2.3

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания
См. Приложения.
5.2. Темы письменных работ (эссе, рефераты, курсовые работы и др.)
Не предусмотрены.
5.3. Фонд оценочных средств
См. Приложения.

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 Крутиков В. Н., Мешечкин В. В. Анализ данных: учебное пособие Кемеровский государственный университет, 2014 // ЭБС "Университетская библиотека online" http://biblioclub.ru/index.php?page=book&id=278426
Л1.2 Туманов, В .Е. Проектирование хранилищ данных для систем бизнес-аналитики: учебное пособие Интернет-Университет Информационных Технологий, 2010 http://biblioclub.ru/index.php?page=book&id=233492
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Симчера В.М. Методы многомерного анализа статистических данных: М.: Финансы и статистика // ЭБС "ONLINE", 2008 https://biblioclub.ru/index.php?page=book_red&id=59559
Л2.2 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
Л2.3 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
Л2.4 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.
Л2.5 Уэс Маккинли Python и анализ данных: Издательство "ДМК Пресс", 2015 https://e.lanbook.com/book/73074
Л2.6 Чубукова, И. А. Data Mining: Интернет-Университет Информационных Технологий, 2008 http://biblioclub.ru/index.php?page=book&id=233055
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет"
Название Эл. адрес
Э1 Data Mining http://www.intuit.ru/studies/courses/6/6/info
Э2 BaseGroup Labs https://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.

7. Материально-техническое обеспечение дисциплины

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.

8. Методические указания для обучающихся по освоению дисциплины

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