Закреплена за кафедрой | Кафедра цифровых технологий и бизнес-аналитики |
---|---|
Направление подготовки | 38.04.01. Экономика |
Профиль | Прикладная экономика |
Форма обучения | Очная |
Общая трудоемкость | 2 ЗЕТ |
Учебный план | 38_04_01_ПЭ-1- 2020 |
|
|
Распределение часов по семестрам
Курс (семестр) | 1 (2) | Итого | ||
---|---|---|---|---|
Недель | 11 | |||
Вид занятий | УП | РПД | УП | РПД |
Лекции | 6 | 6 | 6 | 6 |
Практические | 6 | 6 | 6 | 6 |
Сам. работа | 60 | 60 | 60 | 60 |
Итого | 72 | 72 | 72 | 72 |
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2020-2021 учебном году на заседании
кафедры
Кафедра цифровых технологий и бизнес-аналитики
Протокол от 14.05.2020 г. № 10
Заведующий кафедрой Кожевина Ольга Владимировна, д.э.н.
1.1. | Формирование у студентов необходимой теоретической базы и практических навыков, которые позволят всесторонне понимать современные проблемы обработки и анализа информации, а также разрабатывать и анализировать концептуальные и теоретические модели при решении научных и прикладных задач в области информационных технологий. Одна из главных проблем современной обработки и анализа данных - рост объемов данных, поэтому понимание особенностей Big Data и принципов анализа больших данных становятся ключевыми факторами, определяющими развитие прикладной аналитики на современном этапе. Задачи курса: 1) формирование целостного представления о современных проблемах бизнес-аналитики и обработки больших данных; 2) развитие навыков применения методов Data Mining и других методов интеллектуального анализа данных при решении задач анализа данных; 3) приобретение опыта разработки и анализа концептуальных и теоретических моделей прикладных задач анализа больших данных. 4) развитие навыков выявлять, формализовать и успешно решать практические задачи анализа данных, возникающие в процессе их профессиональной деятельности. |
---|
Цикл (раздел) ООП: ФТД.В |
ОК-1 | способностью к абстрактному мышлению, анализу, синтезу |
ПК-3 | способностью проводить самостоятельные исследования в соответствии с разработанной программой |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | • основные способы предварительной обработки и визуализации данных • технологии интеллектуального анализа данных, методы и модели Data Mining • особенности направления Big Data, его основные отличия от направления бизнес-аналитика • методы решения задач обработки и анализа больших данных |
3.2. | Уметь: |
3.2.1. | • оценивать время и необходимые аппаратные ресурсы для решения задач анализа и обработки данных; • создавать алгоритмы анализа и обработки данных с применением моделей Data Mining для решения конкретных задач; • разрабатывать и анализировать концептуальные и теоретические модели прикладных задач анализа больших данных. |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | • навыками применения программных систем, используемых для решения типичных задач бизнес-аналитики с возможностью применения методов интеллектуально анализа; • навыками применения программных средств, предназначенных для анализа больших данных. |
Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Раздел 1. Интеллектуальный анализ данных | ||||||
1.1. | Понятие Business Intelligence (BI). Технологии KDD и Data Mining. Актуальность технологий Data Mining как средств обработки больших объемов информации. | Лекции | 2 | 0,5 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
1.2. | Подготовка данных к анализу. Извлечение и визуализация данных. Формы представления данных, типы и виды данных. Представления наборов данных. | Лекции | 2 | 0,25 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
1.3. | Программное обеспечение в области анализа данных. Аналитические платформы: классификация и особенности применения. Языки визуального моделирования. | Лекции | 2 | 0,25 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
1.4. | Проблемы консолидации данных. Понятие хранилищ данных (ХД). Понятие ETL-процесса. Понятие многомерного анализа данных. Технология OLAP. | Лекции | 2 | 0,5 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
1.5. | Начало работы. Понятие сценария и узла обработки. Консолидация данных. Трансформация данных. Визуализация данных. | Практические | 2 | 1 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
1.6. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 2 | 22 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
Раздел 2. Раздел 2. Использование методов Data Mining для решения задач бизнес-аналитики | ||||||
2.1. | Основные типы задач, решаемые в бизнес-анализе. Постановка задачи кластеризации. Цели кластеризации в Data Mining. Виды алгоритмов кластеризации и особенности их применения. Решение задач поиска ассоциативных правил. | Лекции | 2 | 1 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
2.2. | Решение задач классификации и регрессии. Обзор методов классификации и регрессии. Статистические методы. Методы, основанные на обучении. | Лекции | 2 | 0,5 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
2.3. | Основные понятия теории нейронных сетей. Основные парадигмы обучения нейронных сетей. Многослойный персептрон: класс решаемых задач, архитектура. | Лекции | 2 | 0,5 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
2.4. | Определение дерева решений, условия применимости. Структура дерева решений. Выбор атрибута разбиения в узле. Алгоритм ID3, критерий выбора атрибута разбиения ID3, пример работы алгоритма. Проблема переобучения, Неизвестные значения атрибутов, алгоритм С4.5. | Лекции | 2 | 1 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
2.5. | Кластеризация. Алгоритм кластеризации k-means. | Практические | 2 | 0,5 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
2.6. | Прогнозирование с помощью линейной регрессии. | Практические | 2 | 0,5 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
2.7. | Классификация с помощью нейросети. | Практические | 2 | 1 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
2.8. | Классификация с помощью деревьев решений. | Практические | 2 | 1 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
2.9. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 2 | 30 | Л1.1, Л2.1, Л1.3, Л1.2, Л2.2 | |
Раздел 3. Раздел 3. Большие данные (Big Data) | ||||||
3.1. | Введение в большие данные (Big Data): современные подходы к обработке и хранению. Отличия BI от Big Data. Проблема множественного сравнения данных. | Лекции | 2 | 0,5 | ||
3.2. | Жизненный цикл анализа больших данных. Корреляция и регрессия. Задачи классификации, кластеризации и ассоциативных правил, их роль в аналитике больших данных. | Лекции | 2 | 0,5 | ||
3.3. | Парадигма Map Reduce. Ее реализация Hadoop. Научные проблемы в области больших данных | Лекции | 2 | 0,5 | ||
3.4. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 2 | 8 | ||
3.5. | Языки Python и R, стек библиотек анализа данных. Готовые решения анализа данных (Weka и т.д.). | Практические | 2 | 2 |
5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
См. приложение. |
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
Не предусмотрено. |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
См. приложение. |
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | Боровков А.А. | Математическая статистика: учебник | СПб.: Лань, 2010 | e.lanbook.com |
Л1.2 | Мхитарян В.С. - Отв. ред. | Анализ данных: Учебник для академического бакалавриата | М.:Издательство Юрайт, 2018 | urait.ru |
Л1.3 | Жуковский, О.И. | Информационные технологии и анализ данных : учебное пособие | Томск : Эль Контент, 2014 | http://biblioclub.ru/index.php?page=book&id=480500 |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | Симчера В. М. | Методы многомерного анализа статистических данных: учебное пособие | Финансы и статистика, 2008 | biblioclub.ru |
Л2.2 | Вирт Н. | Алгоритмы и структуры данных. Новая версия для Оберона: Учебные пособия | Издательство "ДМК Пресс", 2010 | e.lanbook.com |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | ЭБС «Университетская библиотека online» | biblioclub.ru | ||
Э2 | ЭБС «Лань» | e.lanbook.com | ||
Э3 | ЭБС "Юрайт" | biblio-online.ru | ||
6.3. Перечень программного обеспечения | ||||
Аналитическая платформа Deductor Academic Microsoft Windows Microsoft Office 7-Zip AcrobatReader | ||||
6.4. Перечень информационных справочных систем | ||||
Информационная справочная система: СПС КонсультантПлюс (инсталлированный ресурс АлтГУ или http://www.consultant.ru/). Профессиональные базы данных: 1. Электронная база данных «Scopus» (http://www.scopus.com); 2. Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/); 3. Научная электронная библиотека elibrary (http://elibrary.ru). 4. Электронная база данных ZBMATH: https://zbmath.org/ |
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) |
103С | лаборатория информационных технологий - компьютерный класс – учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации; помещение для саостоятельной работы | Учебная мебель на 16 посадочных мест; рабочее место преподавателя; доска маркерная; марка ASUSTeK Computer INC модель P8B75-M - 15 единиц; мониторы: марка Asus модель VW224 - 15 единиц |
208С | лаборатория информационных технологий - компьютерный класс – учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 15 посадочных мест; рабочее место преподавателя; доска магнитно-маркерная; компьютеры: марка HP модель ProOne 400 G2 20-in Non-Touch AiO - 15 единиц |
Учебная аудитория | для проведения занятий всех видов (дисциплинарной, междисциплинарной и модульной подготовки), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проекта (работы), проведения практики | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска) |
Методические указания для студентов Главная задача курса — сформировать целостное представление о современных проблемах анализа и обработки больших данных, помочь овладеть опытом разработки и анализа концептуальных и теоретических моделей прикладных задач анализа больших данных с применением моделей Data Mining. Для эффективного изучения теоретической части дисциплины необходимо: - построить работу по освоению дисциплины в порядке, отвечающим изучению основных этапов, согласно приведенным темам лекционного материала; - усвоить содержание ключевых понятий; - работать с основной и дополнительной литературой по соответствующим темам. Для эффективного изучения практической части дисциплины настоятельно рекомендуется - систематически осуществлять подготовку к практическим занятиям по предложенным преподавателем темам; - своевременно выполнять практические задания (выполнение заданий является основой практических занятий). |