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

Интеллектуальный анализ данных в биологии и медицине систем
рабочая программа дисциплины

Закреплена за кафедройКафедра теоретической кибернетики и прикладной математики
Направление подготовки01.04.02. Прикладная математика и информатика
ПрофильБиокибернетика, биоинформатика и программная инженерия. ФГОС 3++
Форма обученияОчная
Общая трудоемкость2 ЗЕТ
Учебный план01_04_02_ББиПИ-1-2020-1
Часов по учебному плану 72
в том числе:
аудиторные занятия 18
самостоятельная работа 54
Виды контроля по семестрам
зачеты: 3

Распределение часов по семестрам

Курс (семестр) 2 (3) Итого
Недель 19
Вид занятий УПРПДУПРПД
Практические 18 18 18 18
Сам. работа 54 54 54 54
Итого 72 72 72 72

Программу составил(и):
преп., Кротова О.С.

Рецензент(ы):
к.ф.-м.н., доцент, Пономарев И.В.

Рабочая программа дисциплины
Интеллектуальный анализ данных в биологии и медицине систем

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования по направлению подготовки 01.04.02 Прикладная математика и информатика (уровень магистратуры) (приказ Минобрнауки России от 10.01.2018г. №13)

составлена на основании учебного плана:
01.04.02 Прикладная математика и информатика
утвержденного учёным советом вуза от 30.06.2020 протокол № 6.

Рабочая программа одобрена на заседании кафедры
Кафедра теоретической кибернетики и прикладной математики

Протокол от 03.07.2020 г. № 8
Срок действия программы: 2020-2021 уч. г.

Заведующий кафедрой
к.т.н., доцент Л.А. Хворова

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 теоретической кибернетики и прикладной математики

Протокол от 03.07.2020 г. № 8
Заведующий кафедрой к.т.н., доцент Л.А. Хворова

1. Цели освоения дисциплины

1.1.Целями освоения дисциплины являются:
- изучение методов и подходов интеллектуального анализа данных различного объема, включая предварительную обработку данных и статистический анализ, освоение различных моделей машинного обучения, предназначенных для решения задач классификации и регрессии;
- применение полученных знаний для решения прикладных задач из областей биологии и медицины.

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.В.ДВ.01.01

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ОПК-3: Способен разрабатывать математические модели и проводить их анализ при решении задач в области профессиональной деятельности
ПК-2: способность применять новые методы исследования в области биокибернетики, биоинформатики, медицины и проектирования комплексов программ в сфере профессиональной деятельности
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.- Основные определения и понятия предметной области;
-
Задачи, методы и подходы интеллектуального анализа данных;
- Технологии интеллектуального анализа данных, применяемые для решения различных задач из областей биологии и медицины.
3.2.Уметь:
3.2.1.- Строить автоматизированные модели анализа данных;
- Выполнять интерпретацию результатов.
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.- Методами интеллектуального анализа данных для решения задач кластеризации,классификации, прогнозирования в биологии и медицине.

4. Структура и содержание дисциплины

Код занятия Наименование разделов и тем Вид занятия Семестр Часов Компетенции Литература
Раздел 1. Введение в интеллектуальный анализ данных
1.1. Основные понятия и определения. Этапы анализа данных. Структурированные , неструктурированные и полуструктурированные данные. Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
1.2. Актуальные пример ы применения интеллектуального анализа данных в биологии и медицине Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
1.3. Основные понятия и определения. Этапы анализа данных. Структурированные , неструктурированные и полуструктурированные данные. Сам. работа 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
Раздел 2. Очистка, интеграция и преобразование данных
2.1. Библиотека pandas. Структуры данных в pandas, работа со структурами данных. Операции над данными. Комбинирование данных из разных источников. Обработка пропущенных значений. Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
2.2. Работа с данными в pandas. Анализ последовательности ДНК. Сам. работа 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
2.3. Визуализация данных. Сам. работа 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
2.4. Обработка пропущенных значений в массивах данных. Сам. работа 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
Раздел 3. Теория вероятностей и математическая статистика
3.1. Теория вероятностей: условная вероятность, случайные величины, теорема Байеса, распределение вероятностей. Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
3.2. Статистика: описание одиночного набора данных, показатели центра распределения, показатели вариации, корреляция и причинная зависимость. Проверка статистических гипотез. Практические 3 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
3.3. Статистический анализ медицинских данных людей, страдающих заболеваниями сердца. Поиск факторов риска. Сам. работа 3 6 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
Раздел 4. Машинное обучение
4.1. Задачи машинного обучения. Обучение с учителем и без учителя. Библиотека Scikit-Learn. Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.2. Задачи машинного обучения. Обучение с учителем и без учителя.Библиотека Scikit-Learn. Сам. работа 3 4 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.3. Задача классификации. Постановка задачи. Классификационные модели. Классификация типов лесного покрова по данным окружающей среды. Задача постановки диагноза по набору медицинских данных. Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.4. Построение модели классификации типов лесного покрова по данным окружающей среды. Сам. работа 3 6 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.5. Построение модели постановки диагноза по набору медицинских данных. Сам. работа 3 8 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.6. Задача регрессии. Постановка задачи. Предсказательные модели. Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.7. Построение модели прогнозирования темпов роста растений. Сам. работа 3 6 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.8. Построение модели прогнозирования заживления органа по постоперационным показателям. Сам. работа 3 6 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.9. Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление. Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.10. Оптимизация гиперпараметров построенных моделей. Оценка качества. Сам. работа 3 6 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.11. Введение в компьютерное зрение. Решение задачи диагностики диабетической ретинопатии с помощью компьютерного зрения. Практические 3 2 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3
4.12. Введение в компьютерное зрение. Решение задачи диагностики диабетической ретинопатии с помощью компьютерного зрения. Сам. работа 3 4 Л2.1, Л1.1, Л2.2, Л1.2, Л1.3

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания
См. приложение.
5.2. Темы письменных работ (эссе, рефераты, курсовые работы и др.)
См. приложение.
5.3. Фонд оценочных средств
См. приложение.
Приложения
Приложение 1.   ФОС_ИАД (1).docx

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 У. Маккинли Python и анализ данных: ДМК Пресс, 2015//ЭБС издательства «Лань» http://e.lanbook.com/books/element.php?pl1_id=73074
Л1.2 Рашка С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения: Самоучители и руководства Издательство "ДМК Пресс", 2017 https://e.lanbook.com/book/100905
Л1.3 Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python: Учебные пособия Издательство "ДМК Пресс", 2018 //ЭБС издательства «Лань» https://e.lanbook.com/book/105836
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Дронов, Сергей Вадимович Математическая статистика: учеб. пособие Барнаул : Изд-во АлтГУ, 2016 http://elibrary.asu.ru/xmlui/handle/asu/2845
Л2.2 С. В. Дронов Теория вероятностей: элементарные методы, случайные величины, предельные теоремы: учеб. пособие для мат. спец. Изд-во АлтГУ, 2014 http://elibrary.asu.ru/handle/asu/519
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет"
Название Эл. адрес
Э1 Электронная библиотека АлтГУ. http://www.lib.asu.ru
Э2 Электронная библиотечная система "Лань" . http://e.lanbook.com
Э3 Научная электронная библиотека "Elibrary". http://elibrary.ruhttp://elibrary.ru
Э4 Электронная библиотечная система издательства "Юрайт". http://biblio-online.ru
Э5 Издательство МЦНО (свободно-распространяемые книги). www.mccme.ru/free-books
Э6 Методы анализа и обработки данных https://portal.edu.asu.ru/course/view.php?id=3884
6.3. Перечень программного обеспечения
Microsoft Windows
Дистрибутив Anaconda
Microsoft Office
7-Zip
AcrobatReader
6.4. Перечень информационных справочных систем
1. Издательство «Лань» - электронно-библиотечная система [Электронный
ресурс]: http://e.lanbook.com
2. Издательство МЦНМО. Свободно распространяемые книги издательства
Московского центра непрерывного математического образования
[Электронный ресурс]: www.mccme.ru/free-books
3. Электронная библиотечная система Алтайского государственного
университета [Электронный ресурс]: http://elibrary.asu.ru
4. Электронная база данных ZBMATH: https://zbmath.org/

7. Материально-техническое обеспечение дисциплины

Аудитория Назначение Оборудование
408Л лаборатория математического моделирования - 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 меловая 1 шт.; компьютер Depo - 10 шт., 5 шт. с мониторами LG и 5 шт. с мониторами Philips; мультимедиа-проектор Sony - 1 шт.; МФУ Canon - 1 шт.; стационарный экран: марка Digis Optima C - 1 шт.
203Л 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 14 посадочных мест; компьютеры: марка ASUS модель i5-6500 - 14 единиц
320Л медиатека, читальный зал – помещение для самостоятельной работы Учебная мебель на 15 посадочных мест; персональные компьютеры с выходом в информационно-телекоммуникационную сеть Интернет и электронную информационно-образовательную среду;

8. Методические указания для обучающихся по освоению дисциплины

Для успешного освоения дисциплины студент должен посещать все занятия, вовремя выполнять задания, пользоваться основной и дополнительной литературой, рекомендованной настоящей программой. Во время занятий рекомендуется вести краткий конспект.
Для выполнения заданий каждому студенту необходимо:
- получить вариант задания у преподавателя;
- скачать документ с описанием задания с образовательного портала;
- внимательно прочитать задание. Вопросы, возникающие в процессе выполнения заданий, необходимо грамотно сформулировать и обратиться за помощью к преподавателю на консультации или ближайшем занятии;
- разработать, отладить и оттестировать программы, решающие поставленные задачи.
Для каждого задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный опрос студентов для контроля понимания выполненных ими заданий.

При подготовке к экзамену в дополнение к изучению конспектов лекций и учебной литературы, рекомендуется посещать консультации и пользоваться свободными Интернет-ресурсами.
При изучении дисциплины не все вопросы рассматриваются на лекциях и семинарских занятиях, часть вопросов рекомендуется преподавателем для самостоятельного изучения.
Поиск ответов на вопросы и выполнение заданий для самостоятельной работы позволит вам расширить и углубить свои знания по курсу, применить теоретические знания в решении задач практического содержания, закрепить изученное ранее.
Эти задания следует выполнять не «наскоком», а постепенно, планомерно, следуя порядку изучения тем курса.
При возникновении вопросов обратитесь к преподавателю в день консультаций на кафедру.
Выполнив их, проанализируйте качество их выполнения. Это поможет вам развивать умения самоконтроля и оценочные компетенции.