1 ЦЕЛИ и задачи ОСВОЕНИЯ УЧЕБНОЙ ДИСЦИПЛИНЫ
Целями изучения дисциплины являются получение знаний о современном состоянии и средствах интеллектуального анализа данных (ИАД) в системах поддержки принятия решений (СППР), включающие модели, методы, алгоритмы и программное обеспечение, формирование навыков и умений по практическому применению полученных знаний. Основой учебного курса является приобретение практических навыков по решению задач ИАД, позволяющих применить на практике полученные знания и умения при использовании СППР. Задачами изучения дисциплины являются формирование у студентов знаний, необходимых для понимания методов, моделей, методик и алгоритмов, используемых в интеллектуальных системах анализа данных (ИАД), а также основных методов извлечения знаний; изучение основных инструментальных средств построения ИАД и области их применения.
2 МЕСТО УЧЕБНОЙ ДИСЦИПЛИНЫ В СТРУКТУРЕ ООП ВПО
- Статистический анализ данных;
- Математика;
- Дискретная математика;
- Теория вероятностей и математическая статистика;
- Математическое и имитационное моделирование;
- Информатика и программирование.
- Технологии анализа данных в территориально-распределенных информационных системах;
- Информационно-аналитические системы;
- Производственная практика.
3 ОЖИДАЕМЫЕ РЕЗУЛЬТАТЫ ОБРАЗОВАНИЯ И КОМПЕТЕНЦИИ СТУДЕНТА ПО ЗАВЕРШЕНИИ ОСВОЕНИЯ ПРОГРАММЫ УЧЕБНОЙ ДИСЦИПЛИНЫ (МОДУЛЯ)
В результате освоения дисциплины студент должен: 1) Знать: основные задачи, методы и модели ИАД; современные компьютерные технологии, перспективы их применения при решении задач ИАД. 2) Уметь: формализовать постановки задач ИАД, применять методы и модели ИАД в интересах создания систем поддержки принятия решений (СППР), использовать основные алгоритмы и программы ИАД для решения практических задач. 3) Владеть / быть в состоянии продемонстрировать основными инструментальными средствами и методами решения основных задач ИАД с применением компьютерных технологий применительно к СППР. Процесс изучения дисциплины направлен на формирование следующих компетенций: ОК-5,ОК-7, ОК-8, ПК-3,ПК-4, ПК-10, ПК-14, ПК-17, ПК-19, ПК-21.
Магистерская программа «Интеллектуальный анализ данных»
4 СТРУКТУРА И СОДЕРЖАНИЕ УЧЕБНОЙ ДИСЦИПЛИНЫ (МОДУЛЯ)
Общая трудоемкость дисциплины составляет 6 зачетных единиц, 216 часов.
4.1 Содержание учебной дисциплины
Данные и модели их представления. Системы поддержки принятия решений (СППР). Роль и место интеллектуального анализа данных в СППР. Задачи ИАД.
Алгебра матриц как аналитическая основа решения задач ИАД. Функции многих переменных. Необходимые и достаточные условия существования экстремумов применительно к квадратичным формам.
Типы шкал. Допустимые преобразования в шкалах. Проверка истинности утверждений. Выборка. Числовые характеристики распределений.
Анализ данных: инструменты и программы маркетинговой аналитики
Комплексные числа и их применение при визуализации многомерных данных, оцифровке графиков, обработке изображений.
Задачи принятия решений. Метод анализа иерархий и его модификации в интересах реализации интеллектуальных подсказок пользователям. Введение в когнитивное моделирование.
Инструментальные средства ИАД применительно к задачам СППР. Направления развития ИАД и современных информационных технологий в СППР.
Тема 8. Нейросетевые технологии в ИАД
- Краткая история нейрокомпьютинга.
- Задачи ИАД на основе искусственных нейронных сетей.
- Место нейронных сетей среди других методов решения задач
- Биологические основы нейросетей:
- Биологический прототип нейрона.
- Формальный нейрон. Аксон. Синапс.
- Основные свойства нейрона.
- Информационный подход к моделированию нейрона.
- Биологический подход к моделированию нейрона.
- Структура искусственной нейронные сети:
- Искусственный нейрон.
- Слой. Входные и выходные слои.
- Однослойные искусственные нейронные сети.
- Многослойные искусственные нейронные сети.
- Структура перцептрона двухкровневого, многоуровневого (МСП).
- Обмен информацией между слоями.
- Особенности структуры нейронных сетей и ее влияние на свойства сети.
- Алгоритм решения задач с помощью МСП.
- Процесс обучения нейросети.
- Процесс применения нейросети.
- Классификация задач решаемых с помощью МСП.
- Постановка задач распознавания, аппроксимации, прогнозирования. Примеры задач.
- Топологии нейронных сетей:
- Сети с прямым распространением сигнала.
- Сети с обратным распространением сигнала.
4.2 Разделы/темы дисциплины, их трудоемкость и виды занятий
4.3 Формы текущего контроля успеваемости (БРС)
5 ОБРАЗОВАТЕЛЬНЫЕ ТЕХНОЛОГИИ
При проведении лекционных занятий, для лучшего восприятия излагаемой информации, используется презентационное оборудование. Информационный материал, излагаемый на лекциях располагается в электронном виде, на сервере кафедры. Лабораторные занятия выполняются на персональном компьютере с использованием необходимого программного обеспечения, действующего сетевого оборудования. Для формирования у студентов реального представления о своей будущей занятости в сфере информационных технологий студенты проходят практику под руководством ведущих сотрудников НИИ «Восход». В курсе рассматриваются задачи и примеры из практической деятельности института
6 ОЦЕНОЧНЫЕ СРЕДСТВА ДЛЯ ТЕКУЩЕГО КОНТРОЛЯ УСПЕВАЕМОСТИ, ПРОМЕЖУТОЧНОЙ АТТЕСТАЦИИ ПО ИТОГАМ ОСВОЕНИЯ ДИСЦИПЛИНЫ И УЧЕБНО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ САМОСТОЯТЕЛЬНОЙ РАБОТЫ СТУДЕНТОВ
6.1 Темы эссе, рефератов
- База знаний.
- Неструктурированные данные.
- Распределенное принятие решений.
- Системы поддержки принятия решений. Состав, назначение, примеры.
- Применение СППР.
- Задачи интеллектуального анализа данных в системах поддержки принятия решений.
- Инструментальные средства ИАД применительно к задачам СППР.
- Направления развития информационных технологий ИАД.
- Направления развития современных информационных технологий в СППР.
- Инструментальные средства сбора и доработки данных.
- Инструментальные средства преобразования данных.
- Инструментальные средства оперативного (OLAP) анализа .
- История нейрокомпьютинга.
- Задачи ИАД на основе искусственных нейронных сетей.
- Биологическая и математическая модели нейрона.
- Однослойные и многослойные нейронные сети.
- Структура искусственной нейронные сети.
- Особенности структуры нейронных сетей и ее влияние на свойства сети.
- Решение задач с помощью многослойного персептрона.
- Топологии нейронных сетей.
6.2 Тематика форумов
- Тема 6. Применение ИАД в задачах СППР.
6.3 Тематика контрольных работ
- Тема 2. Математические основы ИАД: алгебра матриц, экстремумы функций многих переменных.
6.4 Тематика лабораторных работ
- Тема 3. Графическое представление данных в различных типах шкал, их графическое представление в МАТЛАБ.
- Тема 4. Сжатие данных.
- Тема 5. Методы классификации.
- Тема 6. Метод анализа иерархий.
6.5 Тематика тестов
- Тема 8. Биологические основы и структура нейронной сети.
6.6 Контрольные вопросы и задания для проведения текущего контроля (в течении семестра по темам)
- Данные и модели их представления.
- Системы поддержки принятия решений (СППР).
- Роль и место интеллектуального анализа данных в СППР.
- Задачи ИАД.
- Алгебра матриц.
- Функции многих переменных.
- Необходимые и достаточные условия существования экстремумов применительно к квадратичным формам.
Похожие ответы, выполненные работы
- Руководство по изучению дисциплины…
- План-конспект лекций по профилю «Прикладная…
- EDUCON-TSOGU: Методические указания.
- Контрольная работа по анализу и диагностике в…
- Контрольная работа по анализу и диагностике в…
- Контрольная работа по судебной бухгалтерии для СибЮУ
- Ответы к вопросам к экзамену по дисциплине «История…
- Помощь с заданием по праву для ИИТ, пример оформления
- Организационно-методический раздел по преддипломной практике
- Билеты. Educon
Источник: the-distance.ru
Методы интеллектуального анализа данных в социологических исследованиях
разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования — магистратура по направлению подготовки 39.04.01 Социология (приказ Минобрнауки России от 05.02.2018 г. № 79)
составлена на основании учебного плана:
39.04.01 Социология
утвержденного учёным советом вуза от 27.04.2021 протокол № 6.
Рабочая программа одобрена на заседании кафедры
Кафедра социальной и молодежной политики
Протокол от 13.05.2022 г. № 9
Срок действия программы: 2020-2023 уч. г.
Заведующий кафедрой
Максимова Светлана Геннадьевна
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2022-2023 учебном году на заседании кафедры
Кафедра социальной и молодежной политики
Протокол от 13.05.2022 г. № 9
Заведующий кафедрой Максимова Светлана Геннадьевна
1. Цели освоения дисциплины
| формирование представления о типах задач, возникающих в области интеллектуального анализа данных (Data Mining) и методах их решения, которые помогут обучающимся выявлять, формализовать и успешно решать практические задачи анализа данных, возникающие в процессе их профессиональной деятельности. |
2. Место дисциплины в структуре ООП
| Цикл (раздел) ООП: Б1.О.03 |
3. Компетенции обучающегося, формируемые в результате освоения дисциплины
| ОПК-3: Способен прогнозировать социальные явления и процессы, выявлять социально значимые проблемы и вырабатывать пути их решения на основе использования научных теорий, концепций, подходов и социальных технологий | |
| ПК-2: Способен разрабатывать и проводить исследования (самостоятельно или в составе проектного коллектива) по диагностике, оценке, оптимизации социальных показателей, процессов и отношений на основе цифровых методов анализа и визуализации данных | |
| В результате освоения дисциплины обучающийся должен | |
| Знать: | |
| принципы обработки больших массивов данных, способы их представления и хранения; основные задачи и методы интеллектуального анализа данных; возможности современных и перспективных средств разработки программных продуктов, технических средств. |
|
| Уметь: | |
| формулировать задачи анализа данных; выбирать адекватные алгоритмы их решения; выполнять процедуры проектирования хранилищ данных и заполнения готовых хранилищ данными; оценивать качество получаемых решений; выбирать средства реализации требований к программному обеспечению. |
|
| Иметь навыки и (или) опыт деятельности (владеть): | |
| технологиями разработки алгоритмов и программными системами анализа данных; средствами автоматизации интеллектуального анализа и обработки данных; формирование и предоставление отчетности в соответствии с установленными регламентами. |
|
| Раздел 1. | ||||||
| 1.1. | Концепция Data Mining | Лекции | 4 | 2 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.2. | Концепция Data Mining | Практические | 4 | 4 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.3. | Задачи Data Mining. Классификация задач | Лекции | 4 | 4 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л2.4, Л1.1, Л2.3, Л1.2 |
| 1.4. | Практическое применение Data Mining | Лекции | 4 | 4 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.5. | Модели Data Mining | Лекции | 4 | 2 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.6. | Базовые методы Data Mining | Практические | 4 | 4 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.7. | Процесс обнаружения знаний | Практические | 4 | 4 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.8. | Обзор программ, используемых при создании хранилищ данных | Практические | 4 | 4 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.9. | Проектирование структуры и функционального наполнения OLTP систем | Практические | 4 | 2 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.10. | Проектирование структуры хранилища данных | Практические | 4 | 2 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.11. | Разработка комплекса метаданных хранилища данных и проектирование плана загрузки данных в хранилище | Сам. работа | 4 | 14 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.12. | Изучение OLAP-средств Microsoft | Сам. работа | 4 | 14 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.13. | Разработка хранилища данных средствами программы Deductor | Сам. работа | 4 | 14 | ОПК-3, ПК-2 | Л2.2, Л2.1, Л1.1, Л2.3, Л1.2 |
| 1.14. | Консультации | 4 | 34 | ОПК-3, ПК-2 | ||
5. Фонд оценочных средств
6. Учебно-методическое и информационное обеспечение дисциплины
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Головина Е.Ю. | Интеллектуальные методы для создания систем поддержки принятия решений: Учеб. пособие | М.: Издательский дом МЭИ, // ЭБС «Лань», 2011 | https://e.lanbook.com/book/72229 |
| Л1.2 | Гасанов, Э. Э. | Интеллектуальные системы. Теория хранения и поиска информации : учебник для бакалавриата и магистратуры | Юрайт, 2019 | www.biblio-online.ru/book/35674954-F426-48AD-BCFA-AE66941B0251 |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Бессмертный И.А., Нугуманова А.Б., Платонов А.В. | Интеллектуальные системы: Учебник и практикум для академического бакалавриата | Юрайт, 2018 // ЭБС «Юрайт» | https://urait.ru/book/intellektualnye-sistemy-469867 |
| Л2.2 | Гаврилова Т.А., Хорошевский В.Ф. | Базы знаний интеллектуальных систем: Учеб.пособие | СПб.: Питер, 2010 | http://bookfi.net/book/467543https://yandex.ru/search/?clid=2186621lr=197id=429083 |
| Л2.4 | Матвеев М. Г. , Свиридов А. С. , Алейникова Н. А. | Модели и методы искусственного интеллекта. Применение в экономике: учебное пособие | Финансы и статистика, 2011 | http://biblioclub.ru/index.php?page=booksr=1 |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети «Интернет» | ||||
| Название | Эл. адрес | |||
| Э1 | Курс «Методы интеллектуального анализа данных в социологических исследованиях» | https://portal.edu.asu.ru/course/view.php?id=8921 | ||
| 6.3. Перечень программного обеспечения | ||||
| MS Office MS SQL Server MS Visual Studio |
||||
| 6.4. Перечень информационных справочных систем | ||||
| 1. http://www.softkey.info 2. http://www.iemag.ru 3. http://www.compress.ru 4. http://www.olap.ru |
||||
7. Материально-техническое обеспечение дисциплины
| 511Д | лаборатория математического обеспечения социально-психологических исследований — учебная аудитория для проведения занятий лекционного типа; занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 20 посадочных мест; рабочее место преподавателя; доска меловая 1 шт.; компьютеры: 10 единиц; мониторы: 10 единиц. |
| Помещение для самостоятельной работы | помещение для самостоятельной работы обучающихся | Компьютеры, ноутбуки с подключением к информационно-телекоммуникационной сети «Интернет», доступом в электронную информационно-образовательную среду АлтГУ |
| 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
| Основными методами изучения дисциплины являются лекции, практические занятия, консультации, а также самостоятельная работа обучающихся с учебной и методической литературой. Обучающиеся знакомятся с учебным материалом на лекциях. На лекциях излагается теоретический материал, который позволяет получить общее представление о дисциплине и понять наиболее сложные разделы дисциплины. Лекции сопровождаются показом презентаций, содержащих иллюстрации к излагаемому материалу и основные понятия, определения, правила и т.д. изучаемой дисциплины. Обучающийся получает презентации в электронном виде для дальнейшего самостоятельного изучения материала. Помимо изучения теоретического материала обучающиеся выполняют на практических занятиях лабораторные работы. Выполняя лабораторные работы, обучающийся применяет полученные теоретические знания и овладевает навыками проектирования хранилищ данных. Задания согласуются с предваряющим их теоретическим материалом. |
Источник: www.asu.ru
Системы интеллектуального анализа данных (ИАД)
Программное обеспечение интеллектуального анализа данных предназначено для поиска неочевидных и нетривиальных представлений и выводов, имеющих практическое применение.
Для включения в категорию интеллектуального анализа данных программное обеспечение должно удовлетворять следующим критериям:
- Извлечение структурированных, плохо структурированных и неструктурированных данных;
- Извлечение данных из различных источников;
- Экспорт извлеченных данных в различные читаемые форматы.
Читать далее
Сравнение Системы интеллектуального анализа данных (ИАД)
Выбрать по критериям:
Системы интеллектуального анализа данных (ИАД)
Подходит для
Специалист
Малый бизнес
Средний бизнес
Корпорация
Администрирование
Импорт/экспорт данных
Многопользовательский доступ
Наличие API
Отчётность и аналитика
Тарификация
Ежемесячная оплата
Ежегодная оплата
Единовременная оплата
Оплата потребления
По запросу
Развёртывание
Сервер предприятия
Мобильное устройство
Персональный компьютер
Облако (SaaS)
Графический интерфейс
Веб-браузер
Поддержка языков
Азербайджанский
Белорусский
Бенгальский
Болгарский
Венгерский
Вьетнамский
Грузинский
Индонезийский
Итальянский
Каталонский
Латвийский
Монгольский
Нидерландский
Норвежский
Персидский
Португальский
Украинский
Французский
Хорватский
Английский
Нет продуктов
Руководство по покупке Системы интеллектуального анализа данных
1. Что такое Системы интеллектуального анализа данных
Программное обеспечение интеллектуального анализа данных предназначено для поиска неочевидных и нетривиальных представлений и выводов, имеющих практическое применение.
2. Зачем бизнесу Системы интеллектуального анализа данных
Интеллектуальный анализ данных (англ. Data Mining)- это процесс преобразования необработанных данных в ценную и полезную информацию. Процесс такой продвинутой аналитики (англ. Advanced Analytics) позволяет искать и идентифицировать тенденции, модели поведения и паттерны в больших наборах данных с помощью широкого спектра технологий. Среди основных используемых технологий: искусственный интеллект, машинное обучение, системы управления базами данных и методы статистики.
Основная цель процесса интеллектуального анализа данных заключается в обнаружении и извлечении полезной информации путём просеивания массы исходных неструктурированных данных. Будь то большие массивы текстов или наборы фотографий для распознавания, технология ИАД позволяет выявлять актуальную информацию для использования в задачах бизнеса.
3. Назначение и цели использования Системы интеллектуального анализа данных
Программные системы интеллектуального анализа данных (ИАД, англ. Data Mining, DM) дают возможность превращать разрозненные сырые данные в целостную и понятную структурированную информацию. Компании могут использовать программное обеспечение извлечения данных для формирования пула потенциальных клиентов, сбора релевантной информации с веб-страниц конкурирующих компаний, выявления тенденций из коллекций документов и анализа неструктурированной текстовой информации.
Программные продукты интеллектуального анализа и извлечения данных может помочь предприятиям в цифровизации бизнеса, а уже перешедшим на цифровое взаимодействие — заставить работать те неструктурированные данные, которые в настоящее время не используются.
4. Обзор основных функций и возможностей Системы интеллектуального анализа данных
Администрирование Возможность администрирования позволяет осуществлять настройку и управление функциональностью системы, а также управление учётными записями и правами доступа к системе. Импорт/экспорт данных Возможность импорта и/или экспорта данных в продукте позволяет загрузить данные из наиболее популярных файловых форматов или выгрузить рабочие данные в файл для дальнейшего использования в другом ПО.
Многопользовательский доступ Возможность многопользовательской доступа в программную систему обеспечивает одновременную работу нескольких пользователей на одной базе данных под собственными учётными записями. Пользователи в этом случае могут иметь отличающиеся права доступа к данным и функциям программного обеспечения.
Наличие API Часто при использовании современного делового программного обеспечения возникает потребность автоматической передачи данных из одного ПО в другое. Например, может быть полезно автоматически передавать данные из Системы управления взаимоотношениями с клиентами (CRM) в Систему бухгалтерского учёта (БУ).
Для обеспечения такого и подобных сопряжений программные системы оснащаются специальными Прикладными программными интерфейсами (англ. API, Application Programming Interface). С помощью таких API любые компетентные программисты смогут связать два программных продукта между собой для автоматического обмена информацией. Отчётность и аналитика Наличие у продукта функций подготовки отчётности и/или аналитики позволяют получать систематизированные и визуализированные данные из системы для последующего анализа и принятия решений на основе данных.
5. Выгоды, преимущества и польза от применения Системы интеллектуального анализа данных
Применение Системы интеллектуального анализа данных может привести к множеству полезных эффектов:
- Улучшение производительности бизнеса: анализ данных может помочь выявить возможности для сокращения издержек и улучшения эффективности бизнес-процессов.
- Улучшение качества продукта: анализ данных может помочь улучшить качество продуктов и услуг, определяя проблемные области и причины недостатков.
- Прогнозирование трендов и рыночных условий: анализ данных может помочь предсказать будущие тренды и условия рынка, что может помочь компании разработать стратегии и планы на будущее.
- Сокращение рисков: анализ данных может помочь минимизировать риски и предотвратить потенциальные проблемы, что может сэкономить компании много денег и ресурсов.
- Улучшение управленческих решений: анализ данных может помочь менеджерам принимать более обоснованные решения на основе фактических данных.
6. Отличительные черты Системы интеллектуального анализа данных
Для включения в категорию интеллектуального анализа данных программное обеспечение должно удовлетворять следующим критериям:
- Извлечение структурированных, плохо структурированных и неструктурированных данных;
- Извлечение данных из различных источников;
- Экспорт извлеченных данных в различные читаемые форматы.
Источник: soware.ru