ЦЕЛИ И ЗАДАЧИ ОСВОЕНИЯ ДИСЦИПЛИНЫ Цели освоения дисциплины:

Формирование культуры мышления, способности к обобщению, анализу, восприятию информации с целью выбора правильного стратегического решения в бизнесе и путей его достижения

Задачи:

       Понимание концептуальных положений в области интеллектуальных методов и информационных систем;

       Практическое применение теоретических подходов к проведению разработки интеллектуальных информационных систем

       Овладение техническими навыками, связанными с использованием современных интеллектуальных методов и средств разработки интеллектуальных информационных систем, обеспечения и реализации информационных технологий 



МЕСТО ДИСЦИПЛИНЫ В СТРУКТУРЕ ОБРАЗОВАТЕЛЬНОЙ ПРОГРАММЫ Цикл (раздел) ОПОП: Б1.В. ДВ Связь с другими дисциплинами учебного плана

Перечень предшествующих дисциплин

Перечень последующих дисциплин, видов работ

История и методология прикладной математики и информатики

Методы обеспечения непрерывности и информационной безопасности бизнеса

Научно-исследовательская работа

Практика по получению профессиональных умений и опыта профессиональной деятельности

Современные компьютерные технологии

Современные проблемы прикладной математики и информатики

Интеллектуальные информационные системы управления бизнес-процессами

Информационные системы поддержки принятия решений в сфере управления эффективности бизнеса

Катастрофоустойчивость информационных систем

Непрерывные математические модели

Преддипломная

ТРЕБОВАНИЯ К РЕЗУЛЬТАТАМ ОСВОЕНИЯ ДИСЦИПЛИНЫ

Формируемые компетенции 

Осваиваемые

знания, умения, владения

Код

Наименование

Общекультурные компетенции(ОК)

ОК-3

готовностью к саморазвитию, самореализации, использованию творческого потенциала

Знать: . Методологические основы и  основные способы организации деятельности по повышению творческого потенциала в процессе  саморазвития и  самореализации.

Уметь: . Формулировать научные задачи и намечать направления их решений Использовать информационные технологии для научных исследований, проектных задач и управления коллективом. Применять основные принципы организации научных исследований и проектных задач

Владеть: .  Терминологией и основными понятиями в области организации научных исследований, проектных работ и управление коллективом. Основными средствами проведения научных исследований и проектных работ.

Общепрофессиональные компетенции(ОПК)

ОПК-2

готовностью руководить коллективом в сфере своей профессиональной деятельности, толерантно воспринимая социальные, этнические, конфессиональные и культурные различия

Знать: ме­то­ды и сред­ст­ва ее ве­де­ния; со­вре­мен­ные под­хо­ды к по­строе­нию сис­тем за­щи­ты ин­фор­ма­ции; ком­пь­ю­тер­ную сис­те­му как объ­ект ин­фор­ма­ци­он­но­го воз­дей­ст­вия, кри­те­рии оцен­ки ее за­щи­щен­но­сти и ме­то­ды обес­пе­че­ния ее ин­фор­ма­ци­он­ной безо­пас­но­сти; осо­бен­но­сти обес­пе­че­ния ин­фор­ма­ци­он­ной безо­пас­но­сти ком­пь­ю­тер­ных сис­тем при об­ра­бот­ке ин­фор­ма­ции, со­став­ляю­щей го­су­дар­ст­вен­ную тай­ну.

Уметь: при­ме­нять по­лу­чен­ные зна­ния при вы­пол­не­нии кур­со­вых про­ек­тов и вы­пу­ск­ных ква­ли­фи­ка­ци­он­ных ра­бот, а так­же в хо­де на­уч­ных ис­сле­до­ва­ний

Владеть: методами фор­маль­ной по­ста­нов­ки и ре­ше­ния за­да­чи обес­пе­че­ния ин­фор­ма­ци­он­ной безо­пас­но­сти ком­пь­ю­тер­ных сис­тем, оптимального планово-управленческом решения, выбора критериев оптимальности, типов и методов производства.

Профессиональные компетенции (ПК) по видам профессиональной деятельности

Педагогическая

ПК-9

способностью к преподаванию математических дисциплин и информатики в общеобразовательных организациях, профессиональных образовательных организациях и образовательных организациях высшего образования

Знать: . Методологические основы и  основные способы организации процессы корпоративного обучения на основе информационных технологий и развития корпоративных баз знаний и.

Уметь: при­ме­нять по­лу­чен­ные зна­ния при вы­пол­не­нии кур­со­вых про­ек­тов и вы­пу­ск­ных ква­ли­фи­ка­ци­он­ных ра­бот, а так­же в хо­де на­уч­ных ис­сле­до­ва­ний

Владеть: .  Терминологией и основными понятиями в области организации процессы корпоративного обучения на основе информационных технологий и развития корпоративных баз знаний.


СТРУКТУРА И СОДЕРЖАНИЕ ДИСЦИПЛИНЫ Аудиторные занятия − очная форма обучения

Кол. час

в том числе в интерактивной форме, час.

Вид занятия, модуль, тема и краткое содержание

Формируемые компетенции

16

6

Лекции

ОК-3,ОПК-2,ПК-9

4

2

Модуль 1 «Кластерный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 1.1 «Информационные технологии кластерного анализа данных»

ОК-3,ОПК-2,ПК-9

2

1

Тема 1.2 «Информационные технологии регрессионного анализа данных»

ОК-3,ОПК-2,ПК-9

4

2

Модуль 2 «Регрессионный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 2.1 «Информационные технологии компонентного анализа данных»

ОК-3,ОПК-2,ПК-9

2

1

Тема 2.2 «Информационные технологии факторного анализа данных»

ОК-3,ОПК-2,ПК-9

4

1

Модуль 3 «Комконентный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 3.1 «Информационные технологии корреляционного анализа данных»

ОК-3,ОПК-2,ПК-9

2

Тема 3.2 «Информационные технологии анализа данных методом семантического дифференциала»

ОК-3,ОПК-2,ПК-9

4

1

Модуль 4 «Факторный анализ»

ОК-3,ОПК-2,ПК-9

4

1

Тема 4.1 «Информационные технологии дисперсионного анализа данных»

ОК-3,ОПК-2,ПК-9

16

6

Лабораторные работы

ОК-3,ОПК-2,ПК-9

4

2

Модуль 1 «Кластерный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 1.1 «Информационные технологии кластерного анализа данных»

Исследование метода кластерного анализа данных в SPSS.

ОК-3,ОПК-2,ПК-9

2

1

Тема 1.2 «Информационные технологии регрессионного анализа данных»

Исследование метода регрессионного анализа данных в SPSS.

ОК-3,ОПК-2,ПК-9

4

2

Модуль 2 «Регрессионный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 2.1 «Информационные технологии компонентного анализа данных»

Исследование метода регрессионного анализа данных в SPSS.

ОК-3,ОПК-2,ПК-9

2

1

Тема 2.2 «Информационные технологии факторного анализа данных»

Исследование метода факторного анализа данных в SPSS.

ОК-3,ОПК-2,ПК-9

4

1

Модуль 3 «Комконентный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 3.1 «Информационные технологии корреляционного анализа данных»

Исследование метода корреляционного анализа данных в SPSS.

ОК-3,ОПК-2,ПК-9

2

Тема 3.2 «Информационные технологии анализа данных методом семантического дифференциала»

Исследование метода семантического дифференциала в SPSS.

ОК-3,ОПК-2,ПК-9

4

1

Модуль 4 «Факторный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 4.1 «Информационные технологии дисперсионного анализа данных»

. Исследование метода кластерного анализа данных в SPSS.

ОК-3,ОПК-2,ПК-9

2

Тема 4.2 «Аанализ методом семантического дифференциала»

Исследование метода дисперсионного анализа данных в SPSS.

ОК-3,ОПК-2,ПК-9

16

2

Практические занятия

ОК-3,ОПК-2,ПК-9

4

1

Модуль 1 «Кластерный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 1.1 «Информационные технологии кластерного анализа данных»

Методы кластерного анализа данных.

ОК-3,ОПК-2,ПК-9

2

Тема 1.2 «Информационные технологии регрессионного анализа данных»

Методы регрессионного анализа данных

ОК-3,ОПК-2,ПК-9

4

1

Модуль 2 «Регрессионный анализ»

ОК-3,ОПК-2,ПК-9

2

1

Тема 2.1 «Информационные технологии компонентного анализа данных»

Методы компонентного анализа данных

ОК-3,ОПК-2,ПК-9

2

Тема 2.2 «Информационные технологии факторного анализа данных»

Методы факторного анализа данных

ОК-3,ОПК-2,ПК-9

4

Модуль 3 «Комконентный анализ»

ОК-3,ОПК-2,ПК-9

2

Тема 3.1 «Информационные технологии корреляционного анализа данных»

Методы корреляционного анализа данных

ОК-3,ОПК-2,ПК-9

2

Тема 3.2 «Информационные технологии анализа данных методом семантического дифференциала»

Анализ данных методом семантического дифференциала.

ОК-3,ОПК-2,ПК-9

4

Модуль 4 «Факторный анализ»

ОК-3,ОПК-2,ПК-9

2

Тема 4.1 «Информационные технологии дисперсионного анализа данных»

Методы кластерного анализа данных

ОК-3,ОПК-2,ПК-9

2

Тема 4.2 «Аанализ методом семантического дифференциала»

Методы дисперсионного анализа данных.

ОК-3,ОПК-2,ПК-9


Самостоятельная работа студента – очная форма обучения

Кол. час

Темы, разделы, вынесенные на самостоятельную подготовку, их содержание

Формируемые компетенции

12

Темы, разделы, вынесенные на самостоятельную подготовку

4

Подготовиться к стартовому рейтингу (в объёме ранее изученных дисциплин).

ОК-3,ОПК-2,ПК-9

4

Ознакомиться с основной и дополнительной литературой по программе дисциплины.

ОК-3,ОПК-2,ПК-9

4

Подготовка к  занятиям (ознакомление с методическими рекомендациями, повторение теории и выполнение подготовительных заданий).

ОК-3,ОПК-2,ПК-9

120

Темы и вопросы, определяемые преподавателем с учетом интересов студента

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) Характеристика этапов технологии KDD.

6) Data Mining. Характеристика классов задач, решаемых методами Data Mining.

7) Программный инструментарий для выполнения анализа данных.

8) Основные положения концепции хранилищ данных (DW).

9) Цели и задачи аффинитивного анализа. Поддержка и достоверность ассоциативных правил. Лифт и левередж.

10) Сферы применения ассоциативных правил.

11) Иерархические ассоциативные правила.

12) Цели, задачи и основное содержание кластерного анализа. Классификация методов кластеризации.

13) Способы определения меры расстояния между кластерами.

14) Характеристика методов связи для процедуры кластеризации (одиночная, полная, средняя).

15) Алгоритм кластеризации k-means.

16) Сети Кохонена (KCN).

17) Карты Кохонена (SOM).

18) Проблемы алгоритмов кластеризации.

19) Цели, задачи и отличительные особенности классификации и регрессии.

20) Сферы применения методов классификации и регрессии.

21) Простая линейная регрессия.

22) Оценка соответствия простой линейной регрессии реальным данным.

23) Простая регрессионная модель.

24) Оценка значимости простой регрессионной модели (t-критерий и F-критерий).

25) Множественная линейная регрессия.

26) Модель множественной линейной регрессии.

27) Оценка значимости множественной регрессионной модели.

28) Регрессия с категориальными входными переменными.

29) Методы отбора переменных в регрессионные модели.

30) Ограничения применимости регрессионных моделей.

31) Логистическая регрессия. Интерпретация модели логистической регрессии.

32) Множественная логистическая регрессия.

33) Цели, задачи и принципы построения деревьев решений. Общая характеристика алгоритмов построения деревьев решений.

34) Сферы применения деревьев решений.

35) Алгоритмы IDЗ и С4.5.

36) Алгоритм CART.

37) Упрощение деревьев решений.

38) Цели, задачи и принципы работы нейронных сетей.

39) Принципы функционирования многослойного персептрона.

40) Алгоритмы обучения нейронных сетей.

41) Алгоритм обратного распространения ошибки.

42) Общая характеристика временных рядов и их компонентов. Цели и задачи анализа временных рядов.

43) Цели, задачи и принципы прогнозирования. Модели прогнозирования. Обобщенная модель прогноза.

44) Ансамбли моделей. Бэггинг. Бустинг.

45) Альтернативные методы построения ансамблей.

46) Оценка эффективности и сравнение моделей.

47) Lift - и Profit-кривые.

48) ROC-анализ.

ОК-3,ОПК-2,ПК-9

132

Общая трудоемкость самостоятельной работы (час)

36

Подготовка к экзамену

ОК-3,ОПК-2,ПК-9


ФОНД ОЦЕНОЧНЫХ СРЕДСТВ Фонд оценочных средств для проведения текущего контроля

№

Типовые задания, контрольные работы, тесты и другие методы контроля, позволяющие оценить знания, умения и уровень приобретенных компетенций

1

Вопросы текущего контроля по модулям

Кластерный анализ

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) Характеристика этапов технологии KDD.

6) Data Mining. Характеристика классов задач, решаемых методами Data Mining.

Регрессионный анализ

1) Программный инструментарий для выполнения анализа данных.

2) Основные положения концепции хранилищ данных (DW).

3) Цели и задачи аффинитивного анализа. Поддержка и достоверность ассоциативных правил. Лифт и левередж.

4) Сферы применения ассоциативных правил.

5) Иерархические ассоциативные правила.

6) Цели, задачи и основное содержание кластерного анализа. Классификация методов кластеризации.

Комконентный анализ

1) Способы определения меры расстояния между кластерами.

2) Характеристика методов связи для процедуры кластеризации (одиночная, полная, средняя).

3) Алгоритм кластеризации k-means.

4) Сети Кохонена (KCN).

5) Карты Кохонена (SOM).

6) Проблемы алгоритмов кластеризации.

Факторный анализ

1) Цели, задачи и отличительные особенности классификации и регрессии.

2) Сферы применения методов классификации и регрессии.

3) Простая линейная регрессия.

4) Оценка соответствия простой линейной регрессии реальным данным.

5) Простая регрессионная модель.

6) Оценка значимости простой регрессионной модели (t-критерий и F-критерий).

Структура и содержание фонда оценочных средств представлены в Приложении 1 к рабочей программе дисциплины.

НЕ нашли? Не то? Что вы ищете?

Фонд оценочных средств для проведения промежуточной аттестации в форме экзамена

       

Вопросы к экзамену:

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) Характеристика этапов технологии KDD.

6) Data Mining. Характеристика классов задач, решаемых методами Data Mining.

7) Программный инструментарий для выполнения анализа данных.

8) Основные положения концепции хранилищ данных (DW).

9) Цели и задачи аффинитивного анализа. Поддержка и достоверность ассоциативных правил. Лифт и левередж.

10) Сферы применения ассоциативных правил.

11) Иерархические ассоциативные правила.

12) Цели, задачи и основное содержание кластерного анализа. Классификация методов кластеризации.

13) Способы определения меры расстояния между кластерами.

14) Характеристика методов связи для процедуры кластеризации (одиночная, полная, средняя).

15) Алгоритм кластеризации k-means.

16) Сети Кохонена (KCN).

17) Карты Кохонена (SOM).

18) Проблемы алгоритмов кластеризации.

19) Цели, задачи и отличительные особенности классификации и регрессии.

20) Сферы применения методов классификации и регрессии.

21) Простая линейная регрессия.

22) Оценка соответствия простой линейной регрессии реальным данным.

23) Простая регрессионная модель.

24) Оценка значимости простой регрессионной модели (t-критерий и F-критерий).

25) Множественная линейная регрессия.

26) Модель множественной линейной регрессии.

27) Оценка значимости множественной регрессионной модели.

28) Регрессия с категориальными входными переменными.

29) Методы отбора переменных в регрессионные модели.

30) Ограничения применимости регрессионных моделей.

31) Логистическая регрессия. Интерпретация модели логистической регрессии.

32) Множественная логистическая регрессия.

33) Цели, задачи и принципы построения деревьев решений. Общая характеристика алгоритмов построения деревьев решений.

34) Сферы применения деревьев решений.

35) Алгоритмы IDЗ и С4.5.

36) Алгоритм CART.

37) Упрощение деревьев решений.

38) Цели, задачи и принципы работы нейронных сетей.

39) Принципы функционирования многослойного персептрона.

40) Алгоритмы обучения нейронных сетей.

41) Алгоритм обратного распространения ошибки.

42) Общая характеристика временных рядов и их компонентов. Цели и задачи анализа временных рядов.

43) Цели, задачи и принципы прогнозирования. Модели прогнозирования. Обобщенная модель прогноза.

44) Ансамбли моделей. Бэггинг. Бустинг.

45) Альтернативные методы построения ансамблей.

46) Оценка эффективности и сравнение моделей.

47) Lift - и Profit-кривые.

48) ROC-анализ.



УЧЕБНО-МЕТОДИЧЕСКОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ Основная и дополнительная литература

№

Выходные данные

Количество экземпляров

Основная литература

1

Практикум по анализу данных на компьютере. – М.: КолоС, 2009.

5

2

, Бизнес-аналитика: от данных к знаниям. – СПб.: Питер, 2009.

12

3

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

12

4

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

11

Дополнительная литература

1

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

1

2

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

1

3

Анализ данных и процессов. Учебное пособие. – СПб.: БХВ-Петербург, 2009 .

1

4

Microsoft SQL Server 2008: Data mining – интеллектуальный анализ данных: Перевод с английского. БХВ-Петербург, 2009.

1

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.

1

6

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

1

7

, , ж. Бизнес-прогнозирование. 7-е изд. / Пер. с англ. – М.: Издательский дом «Вильямс», 2003

1

8

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

1

Перечень ресурсов информационно-телекоммуникационной сети «Интернет»

№

Выходные данные

1

Теория информационной безопасности и методология защиты информации. - М., Берлин: Директ-Медиа, 2015  http://biblioclub. ru/index. php? page=book&id=276557&sr=1


Перечень программного обеспечения

№

Наименование программного обеспечения

1

PGP

2

SecretNet

3

xSpider


Перечень информационно-справочных систем

№

Наименование информационно-справочных систем

1

Консультант +

МАТЕРИАЛЬНО-ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

Помещения для проведения всех видов работ, предусмотренных учебным планом, укомплектованы необходимой специализированной учебной мебелью и техническими средствами обучения. Для проведения лекционных занятий используется демонстрационное оборудование. Лабораторные занятия проводятся в компьютерных классах, рабочие места в которых оборудованы необходимыми лицензионными программными средствами и выходом в Интернет.


       МЕТОДИЧЕСКИЕ УКАЗАНИЯ ПО ОСВОЕНИЮ ДИСЦИПЛИНЫ

Методические  указания  по  освоению  дисциплины  «Методы сбора и анализа информации на основе открытых источников»  адресованы  студентам  всех форм обучения. 

Учебным планом по направлению подготовки «Прикладная математика и информатика» предусмотрены следующие виды занятий:

лекционные

практические

лабораторные

В ходе лекционных занятий рассматриваются теоретические и концептуальные аспекты дисциплины, даются  рекомендации для самостоятельной работы и подготовке к практическим занятиям.

В ходе практических занятий углубляются и закрепляются знания студентов  по  ряду  рассмотренных  на  лекциях  вопросов,  развиваются навыки прикладного использования полученных знаний в рамках профессиональной деятельности.

При подготовке к практическим занятиям каждый студент должен: 

– изучить рекомендованную учебную литературу; 

– изучить конспекты лекций; 

– подготовить ответы на все вопросы по изучаемой теме; 

–письменно решить домашнее задание, рекомендованные преподавателем при изучении каждой темы. 

По согласованию с  преподавателем  студент  может  подготовить реферат, доклад или сообщение по теме занятия. В процессе подготовки к занятиям студенты  могут  воспользоваться  консультациями преподавателя. 

Вопросы, не  рассмотренные  на  аудиторных занятиях, должны  быть  изучены  студентами  в  ходе  самостоятельной  работы. Контроль  самостоятельной  работы  студентов  над  учебной  программой курса  осуществляется  в  ходе  занятий методом  устного опроса  или  посредством  тестирования.  В  ходе  самостоятельной  работы  каждый  студент  обязан  прочитать  основную  и  по  возможности  дополнительную  литературу  по  изучаемой  теме,  дополнить  конспекты недостающим  материалом,  выписками  из  рекомендованных первоисточников.  Выделить  непонятные  термины,  найти  их  значение  в энциклопедических словарях. 

Студент  должен  готовиться  к  предстоящему  лабораторному занятию  по  всем,  обозначенным  в  рабочей программе дисциплины вопросам. 

При  реализации  различных  видов  учебной  работы  используются разнообразные (в т. ч. интерактивные) методы обучения, в частности: 

- интерактивная доска для подготовки и проведения занятий; 

-  размещение  материалов  курса  в системе дистанционного обучения http://do. rsue. ru/

Для подготовки к занятиям, текущему контролю и промежуточной аттестации  студенты  могут  воспользоваться электронной библиотекой ВУЗа http://library. rsue. ru/ . Также обучающиеся могут  взять  на  дом необходимую  литературу  на  абонементе  вузовской библиотеки или воспользоваться читальными залами вуза.