Учебно-методический комплекс дисциплины обсужден на заседании кафедры компьютерных систем «03»

Направление — 230700.68, Прикладная информатика

Форма подготовки очная

1. 
   изучение существующих технологий подготовки данных к анализу;
   
2. 
   изучение основных методов поиска закономерностей, связей, правил в табулированных массивах данных большого объема; иллюстрированного их применения в различных областях деятельности;
   
3. 
   овладение практическими умениями и навыками реализации технологий интеллектуального анализа данных, формирования и проверки гипотез о их природе и структуре, варьирования применяемыми моделями;
   
4. 
   формирование умений и навыков применения универсальных программных пакетов и аналитических платформ для анализа данных.
   

• 
  основные методы консолидации, трансформации, визуализации, оценки качества, очистки и предобработки данных;
  
• 
  принципы построения и структурную организацию хранилищ данных;
  
• 
  алгоритмы поиска ассоциативных правил и кластерного анализа;
  
• 
  статистические и машинные методы классификации и регрессии;
  
• 
  методики анализа и прогнозирования временных рядов;
  
• 
  технологию построения ансамблей и сравнения моделей;
  
• 
  возможности отечественных и зарубежных универсальных программных средств и аналитических платформ, применяемых для анализа данных;
  
• 
  проблемные вопросы внедрения аналитических программных продуктов и технологий в профессиональную деятельность организаций и учреждений.
  

• 
  практически применять методы консолидации, трансформации, визуализации, оценки качества, очистки и предобработки данных для качественной подготовки данных к анализу;
  
• 
  создавать хранилища данных, выполнять их загрузку, извлекать данные из хранилищ;
  
• 
  применять технологии интеллектуального анализа электронных массивов данных для решения конкретных практических проблем;
  
• 
  использовать возможности отечественных и зарубежных универсальных программных средств и аналитических платформ для поиска закономерностей, связей, правил, знаний в электронных массивах данных;
  
• 
  свободно ориентироваться на современном динамичном рынке аналитических программных продуктов.
  

• 
  способен совершенствовать и развивать свой интеллектуальный и общекультурный уровень, самостоятельно обучаться новым методам исследования (ОК-1);
  
• 
  способен свободно пользоваться русским языком и одним из иностранных языков, как средством делового общения (ОК-2);
  
• 
  способен приобретать и использовать на практике знания, умения и навыки в организации исследовательских и проектных работ, в управлении коллективом (ОК-3);
  
• 
  способен проявлять инициативу, брать на себя ответственность в условиях риска и принимать нестандартные решения в проблемных ситуациях (ОК-4);
  
• 
  способен использовать углублённые знания правовых и этических норм при оценке последствий своей профессиональной деятельности, при разработке и осуществлении социально значимых проектов (ОК-5);
  
• 
  способен управлять знаниями в условиях формирования и развития информационного общества: анализировать, синтезировать и критически резюмировать и представлять информацию (ОК-6);
  
• 
  способен исследовать современные проблемы и методы прикладной информатики и научно-технического развития информационно-коммуникационных технологий (ПК-1);
  
• 
  способен исследовать закономерности становления и развития информационного общества в конкретной прикладной области (ПК-2);
  
• 
  способен на практике применять новые научные принципы и методы исследований (ПК-3);
  
• 
  способен к профессиональной эксплуатации современного электронного оборудования в соответствии с целями магистерской программы (ПК-4);
  
• 
  способен использовать и развивать методы научных исследований и инструментария в области проектирования и управления информационными системами в прикладных областях (ПК-5);
  
• 
  способен формализовывать задачи прикладной области, при решении которых возникает необходимость использования количественных и качественных оценок (ПК-6);
  
• 
  способен ставить и решать прикладные задачи в условиях неопределенности и определять методы и средства их эффективного решения (ПК-7);
  
• 
  способен проводить научные эксперименты, оценивать результаты исследований (ПК-8);
  
• 
  способен исследовать применение различных научных подходов к автоматизации информационных процессов и информатизации предприятий и организаций (ПК-9);
  
• 
  способен проводить анализ экономической эффективности ИС, оценивать проектные затраты и риски (ПК-10);
  
• 
  способен анализировать данные и оценивать требуемые знания для решения нестандартных задач с использованием математических методов и методов компьютерного моделирования (ПК-12);
  
• 
  способен анализировать и оптимизировать прикладные и информационные процессы (ПК-13);
  
• 
  способен проводить маркетинговый анализ ИКТ и вычислительного оборудования для рационального выбора инструментария автоматизации и информатизации прикладных задач (ПК-14);
  
• 
  способен применять современные методы и инструментальные средства прикладной информатики для автоматизированного решения прикладных задач различных классов и создания ИС (ПК-15);
  
• 
  способен проектировать архитектуру и сервисы информационных систем предприятий в прикладной области (ПК-16);
  
• 
  способен проектировать информационные процессы и системы с использованием инновационных инструментальных средств, адаптировать современные ИКТ к задачам прикладных ИС (ПК-17);
  
• 
  способен принимать эффективные проектные решения в условиях неопределенности и риска (ПК-18);
  
• 
  способен формировать стратегию информатизации прикладных процессов и создания прикладных ИС в соответствии со стратегией развития предприятий (ПК-19);
  
• 
  способен организовывать работы по моделированию прикладных ИС и реинжинирингу прикладных и информационных процессов предприятия (ПК-20).
  

1. 
   содержание теоретической части курса
   

2. 
   содержание практической части курса
   

3. 
   контроль достижения целей курса
   

• 
  обсуждение теоретических концепций;
  
• 
  представление отчетов по работам в электронной форме;
  
• 
  обсуждение промежуточных результатов по программам работ;
  
• 
  презентация, защита отчетов по лабораторным работам.
  

• 
  компьютерное моделирование;
  
• 
  выполнение лабораторных работ (проектно-исследовательских работ).
  

1. 
   Модели и их свойства. Аналитический и информационный походы к моделированию.
   
2. 
   Формы представления, типы и виды анализируемых данных.
   
3. 
   Обучение моделей «с учителем» и «без учителя». Обучающее и тестовое множество. Ошибки обучения. Эффект переобучения.
   
4. 
   Общая схема анализа данных. Требования к алгоритмам анализа данных.
   
5. 
   Основные принципы сбора (формализации) данных. Требования к объемам анализируемых данных.
   
6. 
   Характеристика этапов технологии KDD.
   
7. 
   Data Mining. Характеристика классов задач, решаемых методами Data Mining.
   
8. 
   Программный инструментарий для выполнения анализа данных.
   
9. 
   Цели, задачи и основное содержание консолидации данных. Обобщенная схема процесса консолидации.
   
10. 
    Характеристика OLTP-систем.
    
11. 
    Предпосылки появления систем поддержки принятия решений DSS. Понятие ESS, EIS и GDSS.
    
12. 
    Основные положения концепции хранилищ данных (DW).
    
13. 
    Реляционные хранилища данных (ROLAP).
    
14. 
    Технология OLAP. Сущность многомерного представления данных.
    
15. 
    Структура многомерного куба. Работа с измерениями.
    
16. 
    Многомерные хранилища данных (MOLAP).
    
17. 
    Гибридные хранилища данных (HOLAP).
    
18. 
    Виртуальные хранилища данных.
    
19. 
    Цели, задачи и основное содержание процесса ETL.
    
20. 
    Основные виды проблем в данных, из-за которых они нуждаются в очистке.
    
21. 
    Организация процесса загрузки данных в хранилище. Постзагрузочные операции.
    
22. 
    Причины отказа от использования хранилищ данных. Особенности загрузки данных из локальных источников.
    
23. 
    Обогащение данных.
    
24. 
    Цели, задачи и основное содержание трансформации данных. Трансформация данных на разных этапах аналитического процесса. Типичные средства трансформации.
    
25. 
    Особенности трансформации временных рядов. Скользящее окно. Преобразование даты и времени.
    
26. 
    Группировка и разгруппировка данных.
    
27. 
    Способы слияния данных.
    
28. 
    Квантование данных.
    
29. 
    Нормализация и кодирование данных.
    
30. 
    Цели, задачи и основное содержание визуализации данных. Группы методов визуализации.
    
31. 
    Визуализаторы общего назначения. OLAP-анализ.
    
32. 
    Манипуляции с измерениями OLAP-куба.
    
33. 
    Визуализаторы, применяемые для оценки качества моделей.
    
34. 
    Визуализаторы, применяемые для интерпретации результатов анализа.
    
35. 
    Технологии и методы оценки качества данных. Профайлинг.
    
36. 
    Очистка и предобработка данных.
    
37. 
    Типичный набор инструментов предобработки данных в аналитическом приложении.
    
38. 
    Фильтрация данных. Обработка дубликатов и противоречий.
    
39. 
    Выявление аномальных и восстановление пропущенных значений.
    
40. 
    Алгоритмы и методы сокращения числа признаков.
    

4. 
   Учебно-методическое обеспечение дисциплины
   

1. 
   Паклин Н.Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям. – СПб. : Питер, 2009
   
2. 
   Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. 2-е изд. – СПб. : БХВ – Петербург, 2008
   
3. 
   Кацко И.А., Н.Б. Паклин. Практикум по анализу данных на компьютере. – М. : КолосС, 2009.
   

4. 
   Дюк В.А., Самойленко А.П. Data Mining: учебный курс. – СПб. : Питер, 2001.
   
5. 
   Хайкин С. Нейронные сети: полный курс. 2-е. изд. / Пер. с англ. – М. : Издат. дом «Вильямс», 2006.
   
6. 
   Ханк Д.Э., Уичерн Д.У., Райте А.Дж. Бизнес-прогнозирование. 7-е изд. / Пер. с англ. – М.: Издат. дом «Вильямс», 2003
   
7. 
   Дубров А. М., Мхитарян В. С., Трошин Л. И. Многомерные статистические методы : учебник. – М. : Финансы и статистика, 2000.
   
8. 
   Нейронные сети. STATISTICA Neural Network: Методология и технологии современного анализа данных. / Под ред. В.П. Боровикова. – М. : Горячая линия-Телеком, 2008
   
9. 
   Халафян А.А. STATISTICA 6. Статистический анализ данных : учебник. / - 3-е изд. – М. : Бином-Пресс, 2007.
   
10. 
    Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. – М. : ФиС, 2004.
    
11. 
    Кравченко Т.К., Перминов Г.И. Информационная технология процесса принятия экономических решений. - М. : ГУ-ВШЭ, 2005.
    
12. 
    Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных науках. / - 2-е изд. – СПб. : Питер, 2007.
    

1. 
   Барсегян, А. Анализ данных и процессов. / А. Барсегян, М. Куприянов, И. Холод, М. Тесс, С. Елизаров. 3-е изд. - СПб. : БХВ-Петербург, 2010. - 512 с. - Электронное издание. - Доступно из URL : http://ibooks.ru/reading.php?productid=18456.
   
2. 
   Абдикеев, Н.М. Информационный менеджмент. / Н.М. Абдикеев. - М. : ИНФРА-М, 2009. - 400 с. - Электронное издание. - Доступно из URL : http://ibooks.ru/reading.php?productid=24489
   
3. 
   Когаловский, М.Р. Перспективные технологии информационных систем. / М.Р. Когаловский. - М. : ДМК Пресс, 2010. - 288 с. - Электронное издание. - Доступно из URL : http://ibooks.ru/reading.php?productid=22430