Рабочая программа Учебной дисциплины Анализ данных Для направления подготовки 080700 «Бизнес-информатика»

Скачать 302.37 Kb.

Название	Рабочая программа Учебной дисциплины Анализ данных Для направления подготовки 080700 «Бизнес-информатика»
страница	3/3
Дата публикации	09.01.2015
Размер	302.37 Kb.
Тип	Рабочая программа

100-bal.ru > Информатика > Рабочая программа

1 2 3

Смежные дисциплины по учебному плану:

ВВОДНЫЙ МОДУЛЬ (проверка «остаточных» знаний по смежным дисциплинам)
Тема или задание текущей аттестационной работы	Виды текущей аттестации	Аудиторная или внеаудиторная	Минимальное количество баллов	Максимальное количество баллов



Итого:

БАЗОВЫЙ МОДУЛЬ (проверка знаний и умений по дисциплине)
Тема или задание текущей аттестационной работы	Виды текущей аттестации		Аудиторная или внеаудиторная	Минимальное количество баллов	Максимальное количество баллов
Посещение занятий	Контроль посещения		Аудиторная	3	6
Лабораторная работа №1	Отчет по лабораторной работе		Аудиторная	4	8
Лабораторная работа №2	Отчет по лабораторной работе		Аудиторная	5	10
Лабораторная работа №3	Отчет по лабораторной работе		Аудиторная	8	16
Лабораторная работа №4	Отчет по лабораторной работе		Аудиторная	4	8
Лабораторная работа №5	Отчет по лабораторной работе		Аудиторная	16	32
Тестирование в системе «Прометей»	Тестирование		Аудиторная	5	10
Итого минимум:				(45)	90
ДОПОЛНИТЕЛЬНЫЙ МОДУЛЬ
Тема или задание текущей аттестационной работы		Виды текущей аттестации	Аудиторная или внеаудиторная	Минимальное количество баллов	Максимальное количество баллов
Доклад по одному из направлений технологии Data mining		Оценка качества доклада	Внеаудиторная	1	4
Разработка доклада на конференции по проблематике кластерного анализа данных		Оценка качества доклада	Внеаудиторная	3	6
Или
Доклад по нейросетевым моделям.		Оценка качества доклада	Внеаудиторная	1	4
Расширенный тест по тематике курса в системе «Прометей»		Тестирование	Внеаудиторная	3	6
Итого максимум:				4	(10)

Необходимый минимум для допуска к промежуточной аттестации 49 баллов.
Дополнительные требования для студентов, отсутствующих на занятиях по уважительной причине: устное собеседование с преподавателем по проблемам лекционного курса и практических занятий, обязательное выполнение всех лабораторных работ, обязательное выполнение двух любых заданий из дополнительного модуля (по выбору преподавателя), представление конспектов лекций.

7. Оценочные средства для текущего контроля успеваемости, промежуточной аттестации по итогам освоения дисциплины и учебно-методическое обеспечение самостоятельной работы студентов

Примерные темы курсовых работ:

Дисперсионный анализ данных.
Кластерный анализ данных.
Методы классификации в Data mining.
Регрессионный анализ данных.
Анализ данных с использованием бинарной логистической регрессии.
Факторный анализ данных.
Метрики, применяемые в Data mining.
Ковариационный анализ данных.
Методы поиска ассоциативных правил.
Cиквенциальный анализ даных (поиск последовательных шаблонов).
Основные стандарты Data mining.
Анализ данных с использованием сети Кохонена.
Характеристики инструментальных средств Data mining.
Реляционные хранилища данных.
Многомерные хранилища данных.
Гибридные хранилища данных.
Виртуальные хранилища данных.
Характеристика ETL-процесса.
Оценка качества, очистка и предобработка анализируемых данных.
Сокращение размерности исходного множества анализируемых данных.
Искусственные нейронные сети. Многослойный персептрон.
Анализ данных с использованием генетических алгоритмов.
Анализ данных с использованием самоорганизующихся карт.
Оценка значимости регрессионных моделей с применением t-критерия Стьюдента
Оценка значимости регрессионных моделей с применением F-критерия Фишера.
Алгоритм построения деревьев решений ID3
Алгоритм построения деревьев решений С4.5.
Оценка полезности, эффективности и точности моделей, применяемых для анализа данных.
Анализ данных с использованием ансамблей моделей.
Проблемы обучения и переобучения моделей.
Технологии обогащения данных.
Повышение эффективности моделей с помощью бэггинга и бустинга.
Градиентный алгоритм обучения многослойного персептрона (алгоритм обратного распространения ошибки).
Lift и Profit-кривые.
ROC-анализ.

Тематика докладов по дисциплине

Практическое применение алгоритмов Data mining.
Классификация с несколькими независимыми переменными методом Naïve Bayes.
Поиск оптимальной функции методом наименьших квадратов.
Сиквенциальный анализ.
Меры близости, основанные на расстояниях, используемые в алгоритмах кластеризации.
Кластеризация данных при помощи нечетких отношений.
Характеристика классов задач, решаемых методами Data Mining.
Стандарты Data mining. Характеристика стандартов CWM и PMLL.
Библиотеки доступа к алгоритмам Data mining. Характеристика библиотеки Xelopes.
Характеристика программных инструментов для выполнения интеллектуального анализа данных.
Общая характеристика и классификация методов кластерного анализа данных.
Анализ данных с использованием методов классификации и регрессии.
Цели, задачи и принципы построения деревьев решений. Общая характеристика алгоритмов построения деревьев решений.
Сферы применения деревьев решений.
Цели, задачи и принципы работы нейронных сетей.
Алгоритмы обучения нейронных сетей.
Цели, задачи, принципы и модели прогнозирования.

Примерные вопросы к зачету по дисциплине

Модели и их свойства. Аналитический и информационный походы к моделированию.
Формы представления, типы и виды анализируемых данных.
Обучение моделей «с учителем» и «без учителя». Обучающее и тестовое множество. Ошибки обучения. Эффект переобучения.
Общая схема анализа данных. Требования к алгоритмам анализа данных.
Характеристика этапов технологии KDD.
Data Mining. Характеристика классов задач, решаемых методами Data Mining.
Программный инструментарий для выполнения анализа данных.
Основные положения концепции хранилищ данных (DW).

Цели и задачи аффинитивного анализа. Поддержка и достоверность ассоциативных правил. Лифт и левередж.
Сферы применения ассоциативных правил.
Иерархические ассоциативные правила.
Цели, задачи и основное содержание кластерного анализа. Классификация методов кластеризации.
Способы определения меры расстояния между кластерами.
Характеристика методов связи для процедуры кластеризации (одиночная, полная, средняя).
Алгоритм кластеризации k-means.
Сети Кохонена (KCN).
Карты Кохонена (SOM).
Проблемы алгоритмов кластеризации.
Цели, задачи и отличительные особенности классификации и регрессии.
Сферы применения методов классификации и регрессии.
Простая линейная регрессия.
Оценка соответствия простой линейной регрессии реальным данным.
Простая регрессионная модель.
Оценка значимости простой регрессионной модели (t-критерий и F-критерий).
Множественная линейная регрессия.
Модель множественной линейной регрессии.
Оценка значимости множественной регрессионной модели.
Регрессия с категориальными входными переменными.
Методы отбора переменных в регрессионные модели.
Ограничения применимости регрессионных моделей.
Логистическая регрессия. Интерпретация модели логистической регрессии.
Множественная логистическая регрессия.
Цели, задачи и принципы построения деревьев решений. Общая характеристика алгоритмов построения деревьев решений.
Сферы применения деревьев решений.
Алгоритмы IDЗ и С4.5.
Алгоритм CART.
Упрощение деревьев решений.
Цели, задачи и принципы работы нейронных сетей.
Принципы функционирования многослойного персептрона.
Алгоритмы обучения нейронных сетей.
Алгоритм обратного распространения ошибки.
Общая характеристика временных рядов и их компонентов. Цели и задачи анализа временных рядов.
Цели, задачи и принципы прогнозирования. Модели прогнозирования. Обобщенная модель прогноза.
Ансамбли моделей. Бэггинг. Бустинг.
Альтернативные методы построения ансамблей.
Оценка эффективности и сравнение моделей.
Lift- и Profit-кривые.
ROC-анализ.

8. Учебно-методическое и информационное обеспечение дисциплины (дисциплинарного модуля)
а) основная литература:

1. Федин Ф.О. Анализ данных. Часть 1: Подготовка данных к анализу. Учебное пособие. – М: МГПУ, 2012.

2. Федин Ф.О. Анализ данных. Часть 2. Инструменты Data mining: учебное пособие. М.: МГПУ, 2012. – 308 с.

3. Паклин Н.Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям. – СПб.: Питер, 2009.

4. Кацко И.А. Практикум по анализу данных на компьютере. – М.: КолоС, 2009.
б) дополнительная литература:

5. Сивакумар Харинатх, Мэтт Кэррол, Сетху Минакшисундарам, Роберт Зар, Денни Гуанг-Ю Ли. Microsoft SQL Server Analysis Services 2008 и MDX для профессионалов. «ДИАЛЕКТИКА», 2010.

6. Макленнен Д., Танг Ч., Криват Б. Microsoft SQL Server 2008: Data mining – интеллектуальный анализ данных: Перевод с английского. БХВ-Петербург, 2009.

7. Барсегян А.А. и др. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. – СПб.: БХВ-Петербург, 2007.

8. Барсегян А.А. Методы и модели анализа данных: OLAP и Data Mining. – СПб.: БХВ-Петербург, 2004.

9. Хайкин С. Нейронные сети: полный курс. 2-е. изд. / Пер. с англ. – М.: Издательский дом «Вильямс», 2006.

10. Ханк Д.Э., Уичерн Д.У., Райте А.Дж. Бизнес-прогнозирование. 7-е изд. / Пер. с англ. – М.: Издательский дом «Вильямс», 2003

11. Куприянов М.С. Анализ данных и процессов. Учебное пособие. – СПб.: БХВ-Петербург, 2009 .

12. Чубакова И.А. Data Mining: учебное пособие. – М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2010.

13. http://www.edu.basegroup.ru
в) программное обеспечение:

SQL Server 2008R2 Analysis Services, аналитическая платформа Deductor Studio, пакет STATISTICA.
г) базы данных, информационно-справочные и поисковые системы:

образец базы данных OLTP AdventureWorks; образец хранилища данных AdventureWorksDW; образец базы данных службы аналитики dventureWorksAS.
9. Материально-техническое обеспечение дисциплины
Для проведения лекционных занятий: требуется аудитория, оборудованная меловой доской, интерактивной доской, мультимедийным проектором с экраном.

Для проведения лабораторных работ: требуется специализированный компьютерный класс.

1 2 3

Похожие:

	Рабочая программа Учебной дисциплины Хранилища данных Для направления... Программа составлена в соответствии с Федеральным государственным образовательным стандартом высшего профессионального образования...		Рабочая программа Учебной дисциплины Базы данных Для направления... Программа составлена в соответствии с Федеральным государственным образовательным стандартом высшего профессионального образования...
	Рабочая программа Учебной дисциплины Объектно-ориентированный анализ... Программа составлена в соответствии с Федеральным государственным образовательным стандартом высшего профессионального образования...		Рабочая программа Учебной дисциплины Операционные системы Для направления... Программа составлена в соответствии с Федеральным государственным образовательным стандартом высшего профессионального образования...
	Программа дисциплины «Базы данных» для направления 080700. 62 Бизнес-информатика... «Базы данных» для направления 080700. 62 Бизнес-информатика подготовки бакалавра		Рабочая программа Учебной дисциплины Программная инженерия Для направления... Программа составлена в соответствии с Федеральным государственным образовательным стандартом высшего профессионального образования...
	Программа дисциплины Анализ данных и прогнозирование для направления... Требования к студентам: Приступая к изучению данной дисциплины, студент должен обладать знаниями информатики в объеме общеобразовательной...		Программа дисциплины «Архитектура корпоративных информационных систем»... «Архитектура корпоративных информационных систем» для направления 080700. 68 «Бизнес-информатика» подготовки бакалавра
	Программа дисциплины «Проектирование информационных систем» для направления... «Проектирование информационных систем» для направления 080700. 68 «Бизнес-информатика» подготовки бакалавра		Программа дисциплины «Анализ неструктурированной информации» для... Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 38. 04. 05 «Бизнес-информатика»...
	Программа дисциплины «Современные средства построения интеллектуальных систем» Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления подготовки 080700....		Программа дисциплины «Анализ неструктурированной информации» для... Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 080500. 68 «Бизнес-информатика»...
	Рабочая программа Учебной дисциплины Научно-исследовательский семинар... Программа составлена в соответствии с Федеральным государственным образовательным стандартом высшего профессионального образования...		Программа дисциплины «Экономико-математическое моделирование» для... Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 38. 04. 05 «Бизнес-информатика»...
	Программа дисциплины «Автоматизация учета на предприятии» для направления... Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления подготовки 080500...		Программа дисциплины Культурология Культурология для направления 080700. 62 «Бизнес-информатика» подготовки бакалавра

Школьные материалы