Інтелектуальний аналіз даних (ІАД).

Лекційний матеріал та презентації, рекомендована література та

референси. Додатковий матеріал за темами курсу, практичні приклади
вирішення прикладних задач за розділами курсу. Лабораторні та
комп’ютерні практики за відповідними темами лекцій – завдання для
виконання лабораторних та курсових робіт, методичні матеріали та
інструкції з виконання лабораторних робіт, списки контрольних питань
Інформаційне
та необхідних навичок. Перелік питань за лекційним та практичним
забезпечення
матеріалом, що винесені на екзамен, запропоновані теми на самостійну
роботу в групах з підготовкою презентацій за обраною тематикою для
подальших доповідей на семінарі та загальної дискусії, вимоги для
проходження атестації, заліку та іспитів. Презентації груп студентів із
самостійного дослідження за темами курсу, що були винесені на загальні
дискусійні потокові семінари/конференції.
Лекції, лабораторні роботи, кейси, методологія навчання, орієнтована
Форма проведення на студентів: активне навчання студентів, спільна робота в малих
занять групах над завданнями, презентації груп студентів із самостійного
дослідження за темами курсу, дискусії та обговорення.

Активне навчання - ініціативна самостійна робота в групах.

Створити групи – 2-5 студентів в групі.
Обрати підтему (не обов’язково за наданим списком питань) В РАМКАХ
ОСНОВНИХ ТЕМ, що виділені жирним шрифтом)
Опрацювати / зробити власний огляд за обраною підтемою, використовуючи
як рекомендовані, так і будь які інші джерела.
Підготувати коротку доповідь / презентацію до 10 хвилин - кінцевий строк
виконання 20 березня.
Надати списки груп з темами презентації старостам по мірі готовності. Надалі
визначимо дати презентацій / дискусій.

Питання (за лекційним матеріалом), винесені на екзамен:

• Визначення ІАД (Data Mining). Відмінності засобів Data Mining (від OLAP і ін.).
• Основні задачі Data Mining - визначення і короткий опис. Класифікація задач Data
Mining: за призначенням, по способах рішення задачі.
• Два основні види моделей Data Mining - короткий опис.
• Методи Data Mining - коротка характеристика.
• Основні етапи аналізу в процесі виявлення знань.
• Управління знаннями: класифікація знань, два основні підходи в управлінні
знаннями.
• Засоби Data Mining - категорії, приклади.
• Задачі класифікації - визначення, різновиди, приклади.
• Процес класифікації - мета, опис, множини даних, етапи.
• Методи вирішення задач класифікації. Оцінка точності класифікації, характеристики
- критерії оцінки.
• Задачі кластеризації - поняття кластера, алгоритми кластеризації, застосування на
практиці.
• Методи класифікації та прогнозування. Дерева рішень.
• Методи класифікації і прогнозування - алгоритми дерев рішень.
• Методи класифікації і прогнозування - метод опорних векторів, метод найближчого
сусіда.
• Методи класифікації - Метод Naive Bayes
• Метод нейронних мереж: опис, елементи і архітектура, процес навчання і явище
перенавчання нейронної мережі.
• Моделі нейронних мереж, метод зворотного розповсюдження помилки
• Класифікація нейронних мереж, підготовка даних для навчання, вибір структури.
• Карти Кохонена - задачі, що вирішуються, структура мережі, навчання
• Алгоритм роботи мережі Кохонена.
• Методи пошуку асоціативних правил - суть задачі, основні характеристики,
алгоритм Apriori.
• Методи кластерного аналізу - ієрархічні методи, дендрограмма.
• Методи кластерного аналізу - методи об'єднання або зв'язку кластерів.
• Методи кластерного аналізу - ітеративні методи, алгоритм к-середніх, факторний
аналіз.
• Порівняльний аналіз ієрархічних і неієрархічних методів кластеризації.
• Нечітка логіка - основні положення, лінгвістична модель.
• Нечітка логіка - математичний апарат, функції приналежності.
• Нечітка логіка - нечіткий логічний вивід.
• Реалізація нечіткого алгоритму прийняття рішень за допомогою Matlab.
• Синтез нечітких моделей за допомогою субтрактивної кластеризації системи нейро-
нечіткого виведення anfis середовища Matlab.
• Генетичні алгоритми - сфери застосування, основні поняття і компоненти.
• Опис (схема) роботи генетичного алгоритму.
• Генетичні алгоритми - основні генетичні оператори.
• Схема функціонування класичного генетичного алгоритму.
• Стандартні функції універсального пакета MATLAB, призначені для вирішення
завдань оптимізації за допомогою генетичних алгоритмів.
• Методи розв'язання задач оптимізації за допомогою ОЛ в пакеті Маtlab.
• Типи генетичних алгоритмів (канонічний, метод переривчастого рівноваги, гібридний
алгоритм та ін.
• Паралельне виконання ГА - паралельний ГА, міграція, глобальна модель, модель
дифузії.