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

Бизнес-аналитика и анализ больших данных

рабочая программа дисциплины
Закреплена за кафедройКафедра цифровых технологий и бизнес-аналитики
Направление подготовки38.04.02. Менеджмент
ПрофильСтратегический маркетинг и менеджмент
Форма обученияОчно-заочная
Общая трудоемкость2 ЗЕТ
Учебный планv38_04_02_СМиМ-1-2020
Часов по учебному плану 72
в том числе:
аудиторные занятия 12
самостоятельная работа 60
Виды контроля по семестрам
зачеты: 2

Распределение часов по семестрам

Курс (семестр) 1 (2) Итого
Недель 9,5
Вид занятий УПРПДУПРПД
Лекции 6 6 6 6
Практические 6 6 6 6
Сам. работа 60 60 60 60
Итого 72 72 72 72

Программу составил(и):
канд. техн. наук, доцент, Данько Е.В.

Рецензент(ы):
канд. физ.-мат. наук, доцент, Юдинцев А.Ю.

Рабочая программа дисциплины
Бизнес-аналитика и анализ больших данных

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования по направлению подготовки 38.04.02 МЕНЕДЖМЕНТ (уровень магистратуры) (приказ Минобрнауки России от 30.03.2015г. №322)

составлена на основании учебного плана:
38.04.02 Менеджмент
утвержденного учёным советом вуза от 30.06.2020 протокол № 6.

Рабочая программа одобрена на заседании кафедры
Кафедра цифровых технологий и бизнес-аналитики

Протокол от 14.05.2020 г. № 10
Срок действия программы: 2020-2021 уч. г.

Заведующий кафедрой
Кожевина Ольга Владимировна, д.э.н.


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. Цели освоения дисциплины

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.

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: ФТД.В

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ОК-1 способностью к абстрактному мышлению, анализу, синтезу
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.

4. Структура и содержание дисциплины

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. Фонд оценочных средств

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. Учебно-методическое и информационное обеспечение дисциплины

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/

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)
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 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)

8. Методические указания для обучающихся по освоению дисциплины

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).