| Закреплена за кафедрой | Кафедра цифровых технологий и бизнес-аналитики |
|---|---|
| Направление подготовки | 09.04.03. Прикладная информатика |
| Профиль | Управление информационными системами в бизнесе |
| Форма обучения | Очная |
| Общая трудоемкость | 3 ЗЕТ |
| Учебный план | 09_04_03_Прикладная информатика_УИСвБ-2024 |
|
|
||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 2 (3) | Итого | ||
|---|---|---|---|---|
| Недель | 15 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 8 | 8 | 8 | 8 |
| Лабораторные | 24 | 24 | 24 | 24 |
| Сам. работа | 76 | 76 | 76 | 76 |
| Итого | 108 | 108 | 108 | 108 |
| 1.1. | Формирование у студентов необходимой теоретической базы и практических навыков, которые позволят всесторонне и системно 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 вопросам обработки большого объема данных посвящена данная дисциплина. Главная задача курса - сформировать целостное представление о современных проблемах анализа и обработки больших данных, приобрести опыт разработки и анализа концептуальных и теоретических моделей прикладных задач анализа больших данных с применением моделей Data Mining. |
|---|
| Цикл (раздел) ООП: Б1.В.ДВ.01.01 |
| ПК-3 | Способен применять современные методы и инструментальные средства прикладной информатики для автоматизации и информатизации проектных задач в бизнесе |
| ПК-3.1 | Знать современные методы и инструментальные средства прикладной информатики для автоматизации и информатизации решения прикладных задач различных классов и создания ИС |
| ПК-3.2 | Уметь применять современные методы и инструментальные средства прикладной информатики для автоматизации и информатизации решения прикладных задач различных классов и создания ИС |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | • методы решения задач обработки и анализа больших данных, возможности высокопроизводительных вычислительных систем, технологии распределенных вычислений, методы и модели Data Mining. |
| 3.2. | Уметь: |
| 3.2.1. | • разрабатывать и анализировать концептуальные и теоретические модели прикладных задач анализа больших данных; • оценивать время и необходимые аппаратные ресурсы для решения задач анализа и обработки данных; • создавать алгоритмы анализа и обработки большого объема данных с применением моделей Data Mining. |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | • навыками применения программных систем, предназначенных для анализа больших данных. |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Технологии анализа данных | ||||||
| 1.1. | Большие данные (Big Data): современные подходы к обработке и хранению. Проблема множественного сравнения данных. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 1.2. | Процесс анализа. Общая схема анализа. Извлечение и визуализация данных. Этапы моделирования. Процесс построения моделей. Формы представления данных, типы и виды данных. Представления наборов данных. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 1.3. | Технологии KDD и Data Mining. Подготовка данных к анализу. Методика извлечения знаний. Data Mining. Мультидисциплинарный характер Data Mining. Причины распространения KDD и Data Mining. Актуальность технологий Data Mining как средств обработки больших объемов информации. | Лекции | 3 | 1 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 1.4. | Программное обеспечение в области анализа данных. Аналитические платформы: классификация и особенности применения. Языки визуального моделирования. | Лекции | 3 | 2 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 1.5. | Начало работы. Понятие сценария и узла обработки. Консолидация данных. Трансформация данных. Визуализация данных. | Лабораторные | 3 | 4 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 1.6. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 3 | 38 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| Раздел 2. Интеллектуальный анализ данных | ||||||
| 2.1. | Определение кластеризации. Постановка задачи кластеризации. Цели кластеризации в Data Mining. Примеры кластеризации в различных областях. Виды метрик. Шаги алгоритма. Меры расстояний. Пример работы алгоритма k-means. Проблемы алгоритмов кластеризации. | Лекции | 3 | 1 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 2.2. | Применение классификации и регрессии. Обзор методов классификации и регрессии. Статистические методы. Методы, основанные на обучении, разнообразие подходов. | Лекции | 3 | 1 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 2.3. | Основные понятия теории нейронных сетей. Основные парадигмы нейронных сетей. Многослойный персептрон: класс решаемых задач, архитектура. | Лекции | 3 | 1 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 2.4. | Определение дерева решений. Причины популярности и 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 | 3 | 1 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 2.5. | Кластеризация. Алгоритм кластеризации k-means. | Лабораторные | 3 | 4 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 2.6. | Прогнозирование с помощью линейной регрессии. | Лабораторные | 3 | 4 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 2.7. | Классификация с помощью нейросети. | Лабораторные | 3 | 6 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 2.8. | Классификация с помощью деревьев решений. | Лабораторные | 3 | 6 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 2.9. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 3 | 38 | ПК-3.1, ПК-3.2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 |
| 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 | Жуковский, О.И. | Информационные технологии и анализ данных : учебное пособие | Томск : Эль Контент, 2014 | http://biblioclub.ru/index.php?page=book&id=480500 |
| Л1.3 | Мхитарян В.С. - Отв. ред. | Анализ данных: Учебник для академического бакалавриата | М.:Издательство Юрайт, 2018 | urait.ru |
| 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 | ||||
| Microsoft Windows Microsoft Office 7-Zip AcrobatReaderMicrosoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно); Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно); AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно); ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно); LibreOffice (https://ru.libreoffice.org/), (бессрочно); Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно); Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024); Архиватор Ark (https://apps.kde.org/ark/), (бессрочно); Okular (https://okular.kde.org/ru/download/), (бессрочно); Редактор изображений Gimp (https://www.gimp.org/), (бессрочно) | ||||
| 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) |
| 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 |
| 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 |
| 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). |