231000 Методы интеллектуального анализа данных

1.
Цели и задачи дисциплины
1.1. Цель, задачи дисциплины, ее место в подготовке бакалавра, (с учетом требований
ФГОС)
Целью дисциплины «методы интеллектуального анализа данных» является эффективное
использование накопленных знаний и информации
Задачи изучения дисциплины:
 познакомить обучающихся с базовыми принципами построения моделей данных;
 ознакомить с концепцией Data Mining («добыча знаний»), основными типами задач,
решаемых Data Mining;
 научить эффективно пользоваться методами извлечения знаний из больших массивов
данных;
 научить использовать современные методы и технологии, ориентированные на управление
знаниями.
1.2.
Требования к уровню усвоения дисциплины
Обучающийся должен знать
 подходы к хранению, представлению и обработке информации в современных
информационных системах;
 возможности анализа информации на основе методов ИАД;
 основные понятия, задачи, стадии и методы ИАД;
 построение и использование моделей для анализа данных, применения подходов ИАД в
современных областях экономики, науки и образования.
Обучающийся должен уметь
- выполнить комплексный анализ информации с целью принятия решений на основе
использования современных методов и систем для ИАД;
Обучающийся должен владеть
 методами ИАД с целью поддержки принятия решений в современных областях экономики,
науки и образования.
 возможностях применения ПЭВМ в хозяйственной, финансовой и коммерческой сферах
деятельности предприятий.
У обучающегося должны быть сформированы следующие
- общекультурные компетенции (ОК):
способность использовать основные положения и методы социальных, гуманитарных и
экономических наук при решении социальных и профессиональных задач, способность
анализировать социально-значимые проблемы и процессы (ОК-9);

и профессиональные компетенции (ПК):
способность готовить коммерческие предложения с вариантами решений (ПК-8);
знакомство с архитектурой ЭВМ и систем (ПК-9).
1.3.
Связь с другими дисциплинами Учебного плана
Перечень действующих и предшествующих
дисциплин с указанием разделов (тем)
Перечень последующих дисциплин, видов работ
Математический анализ
Технология сбора и анализа информации
Дискретная математика
Организация и управление службой защиты
информации
Теория вероятностей и математическая статистика
2.
Содержание дисциплины, способы и методы учебной деятельности преподавателя
Методы обучения – система последовательных, взаимосвязанных действий, обеспечивающих
усвоение содержания образования, развитие способностей обучающихся, овладение ими средствами
самообразования и самообучения; обеспечивают цель обучения, способ усвоения и характер
взаимодействия преподавателя и обучающегося; направлены на приобретение знаний, формирование
умений, навыков, их закрепление и контроль.
Монологический (изложение теоретического материала в форме монолога)
М
Показательный (изложение материала с приемами показа)
П
Диалогический (изложение материала в форме беседы с вопросами и ответами)
Д
Эвристический (частично поисковый) (под руководством преподавателя Э
обучающиеся рассуждают, решают возникающие вопросы, анализируют, обобщают,
делают выводы и решают поставленную задачу)
Проблемное изложение (преподаватель ставит проблему и раскрывает доказательно ПБ
пути ее решения)
Исследовательский (обучающиеся самостоятельно добывают знания в процессе И
разрешения проблемы, сравнивая различные варианты ее решения)
Программированный (организация аудиторной и самостоятельной работы ПГ
обучающихся осуществляется в индивидуальном темпе и под контролем специальных
технических средств)
Другой метод, используемый преподавателем (формируется самостоятельно), при
этом в п.п. 2.1.-2.4. дается его наименование, необходимые пояснения
Приведенные в таблице сокращения обозначения педагогических методов используются
составителем Рабочей программы для заполнения п.п. 2.1., 2.2. и 2.3. в столбце «Методы«.
2.1.
Аудиторные занятия (лекции, лабораторные, практические, семинарские) -
Методы
Реализуемые
компетенции
в том числе в
интерактивной
форме, час.
М,
П
М
Тема «Системы поддержки принятия решений»
Основные понятия. Задачи систем поддержки принятия
решений. База данных как основа систем поддержки принятия
решений. Архитектура систем поддержки принятия решений.
Тема «Хранилища данных».
П
Концепция хранилища данных. Организация хранилища
данных.
ОК-9
4
Тема «OLAP-системы».
П
Многомерная модель данных. Определение OLAP – системы,
основные понятия. Концептуальное многомерное представление
данных. Архитектура OLAP – системы
ОК-9
10
Модуль 2. Модели и методы интеллектуального анализа данных
Кол. час
Неделя
Очная форма обучения
1-7
18
8
1
2
3
2
5-7
9-17
Вид занятия, модуль, тема и краткое содержание
Очная форма обучения
Лекции
Модуль 1. «Основы интеллектуального анализа данных»
ОК-9
9
2
Тема «Задачи, методы и модели анализа данных».
Основные понятия анализа данных. Задачи анализа данных и
области практического применения.
Основные этапы
построения моделей. Методика анализа данных.
11
2
Тема «Средства интеллектуального анализа данных»
1317
6
1-8
1
10
2
3
2
5
2
7
2
9
2
1117
11
8
13
2
15
2
17
2
1-18
18
2
6
10
Э
(ОК-9)
Д,Э
ОК-8
Д
ПК-8
Д
ПК-8
Тема «OLAP-системы». Задачи многомерного анализа данных.
Измерения и меры.». Гиперкубы данных.. Загрузка данных в
гиперкуб. Реализация гиперкуба. Кросс-таблица.
Тема «OLAP-системы». Операции над гиперкубами.
Построение срезов куба. Использование ЭТ EXCEL для
создания сводной таблицы
Модуль 2. Модели и методы интеллектуального анализа данных
И,П
ОК-8
И,П
ОК-8
Тема «Средства интеллектуального анализа данных».
Аналитическая платформа Deductor. Основные компоненты.
Д,И
ПК-8
Изучение алгоритмов и методики построения деревьев решений И,П
в ИС Deductor.
Тема «Data Mining». Кластеризация и классификация. Методы И,П
кластеризации. Метод «ближайшего соседа».
Тема «Data Mining». Решение задач классификации и
кластеризации. Методы прогнозирования.
Лабораторные занятия
ПК-8
MS Excel для решения задач интеллектуального анализа. Пакет
OLAP -анализа Business Objects, модуль интеллектуального
анализа “ Miner ”(деревья решений, кластерный анализ). Набор
инструментальных средств для интеллектуального анализа баз
данных «Polyanalist» российской фирмы “ Megaputer ”.
Аналитическая платформа Deductor. Пакет “ Statistica ” – для
решения задач статистического анализа, а также выявления
закономерностей и прогнозирования нейросетевыми и другими
современными методами.
Тема «Data Mining» - интеллектуальный анализ данных».
Задача классификации и регрессии. Постановка задачи,
алгоритмы решения, представление результатов.
Задача поиска ассоциативных правил. Постановка задачи,
алгоритмы решения, представление результатов.
Задача кластеризации. Постановка задачи, алгоритмы решения,
представление результатов.
Практические занятия
Модуль 1. «Основы интеллектуального анализа данных»
Тема «Системы поддержки принятия решений»
Определение СППР. Классификация СППР. Информационные
технологии поддержки принятия решений. Компоненты СППР.
Тема «Системы поддержки принятия решений»
Экспертная система анализа финансового состояния
предприятия. Разработка структуры базы знаний в виде дерева
целей.
Тема «Системы поддержки принятия решений»
Реализация экспертной системы в среде ЭТ EXCEL
Модуль 1.«Основа интеллектуального анализа данных»
ПК-8
ПК-8
2
2
4
2
6
2
12
Тема. Знакомство с аналитической платформой.
Д,И
Архитектура. Понятие сценария, обработчика, визуализатора.
Импорт данных.
Тема. Базовые визуализаторы.
Таблица. Статистика, многомерная диаграмма.
Тема. Очистка данных.
Д,И
Парциальная
предобработка.
Спектральная
обработка.
Корреляционный
анализ.
Выявление
дубликатов
и
противоречий.
Модуль 2. Модели и методы интеллектуального анализа данных
ПК-9
Тема. Узлы Квантование, кросс-таблица, преобразование М,
данных к скользящему окну.
Д
Тема. Узел калькулятор.
ПБ,
Э
Тема. Прогнозирование с помощью нейронной сети.
ПБ,
Э
ОК-8
ПК-8
8
2
10
2
2
12
2
2
14
2
Тема. Классификация с помощью деревьев решений.
ПБ,
Э
ОК-8
16
2
Тема. Кластеризация с помощью самоорганизующейся карты
Кохонена.
ПБ,
Э
ОК-8
18
2
Тема. Поиск ассоциативных правил.
ПБ,
Э
ОК-8
ОК-8
ОК-8
Аудиторные занятия (лекции, лабораторные, практические, семинарские) -
2
2
2
2
2
Лекции
Тема «Задачи, методы и модели анализа данных».
П
Основные понятия анализа данных. Задачи анализа данных и
области практического применения.
Основные этапы
построения моделей. Методика анализа данных.
Тема «Data Mining» - интеллектуальный анализ данных».
M
Задача классификации и регрессии. Постановка задачи,
алгоритмы решения, представление результатов.
Задача поиска ассоциативных правил. Постановка задачи,
алгоритмы решения, представление результатов.
Задача кластеризации. Постановка задачи, алгоритмы решения,
представление результатов.
Практические занятия
Тема: «Исследование бизнес-ситуации: инвестирование».
Д,Э
ЭТ Excel. Решение оптимизационных задач . Применение
средств: Подбор параметров, Поиск решения.
Реализуемые
компетенци
и
Вид занятия, модуль, тема и краткое содержание
Методы
в том числе в
интерактивно
й форме, час.
Кол. час
Неделя
Заочная форма обучения - 5г 00м.
ОК-8
ОК-8
ПК-8
Лабораторные занятия
4
ПК-8
Тема «Data Mining». Кластеризация и классификация. Методы Д,И
кластеризации. Метод «ближайшего соседа».
Тема «Data Mining». Методы прогнозирования.
Д,И
2
2
ПК-8
ПК-8
Реализуемые
компетенции
Вид занятия, модуль, тема и краткое содержание
Методы
в том числе в
интерактивной
форме, час.
Кол. час
Неделя
Аудиторные занятия (лекции, лабораторные, практические, семинарские) Заочная форма обучения - 3г 06м
Лекции
2
2
2
2
2
4
2
2
Тема «Задачи, методы и модели анализа данных».
П
Основные понятия анализа данных. Задачи анализа данных и
области практического применения.
Основные этапы
построения моделей. Методика анализа данных.
Тема «Data Mining» - интеллектуальный анализ данных».
Задача классификации и регрессии. Постановка задачи,
алгоритмы решения, представление результатов.
Задача поиска ассоциативных правил. Постановка задачи,
алгоритмы решения, представление результатов.
Задача кластеризации. Постановка задачи, алгоритмы решения,
представление результатов.
Практические занятия
Тема: «Исследование бизнес-ситуации: инвестирование».
Д,Э
ЭТ Excel. Решение оптимизационных задач . Применение
средств: Подбор параметров, Поиск решения.
Лабораторные занятия
ОК-8
Тема «Data Mining». Кластеризация и классификация. Методы Д,И
кластеризации. Метод «ближайшего соседа».
Тема «Data Mining». Методы прогнозирования.
Д,И
ПК-8
ОК-8
ПК-8
ПК-8
ПК-8
2
2
2
Реализуемые
компетенци
и
Вид занятия, модуль, тема и краткое содержание
Методы
в том числе в
интерактивно
й форме, час.
Кол. час
Неделя
Аудиторные занятия (лекции, лабораторные, практические, семинарские) Заочная форма обучения - 2г 06м
Лекции
Тема «Задачи, методы и модели анализа данных».
П
Основные понятия анализа данных. Задачи анализа данных и
области практического применения.
Основные этапы
построения моделей. Методика анализа данных.
Тема «Data Mining» - интеллектуальный анализ данных».
Задача классификации и регрессии. Постановка задачи,
ОК-8
ОК-8
2
Неделя
Кол. час
2
118
118
44
10
ПК-8
Тема «Data Mining». Кластеризация и классификация. Методы Д,И
кластеризации. Метод «ближайшего соседа».
Тема «Data Mining». Методы прогнозирования.
Д,И
2.2. Самостоятельная работа обучающегося - Очная форма обучения
Темы, разделы, вынесенные на самостоятельную подготовку,
вопросы к практическим и лабораторным занятиям; тематика
рефератной работы; курсовые работы и проекты,
контрольные, рекомендации по использованию литературы и
ЭВМ и др.
Самостоятельное изучение материала и задач по темам,
рассматриваемым на занятиях.
Самостоятельная подготовка докладов по предлагаемым
темам. Примерные темы докладов:
1. Практическое применение интеллектуального анализа
данных.
2. Информационное хранилище(витрины данных,
информационное хранилище двухуровневой и
трехуровневой архитектуры.
3. Модели данных (реляционная, сетевая, иерархическая
модели данных).
4. Концепция многомерного представления данных.
ПК-8
ПК-8
ПК-8
Реализуемые
компетенци
и
4
Д,Э
Методы
2
2
алгоритмы решения, представление результатов.
Задача поиска ассоциативных правил. Постановка задачи,
алгоритмы решения, представление результатов.
Задача кластеризации. Постановка задачи, алгоритмы решения,
представление результатов.
Практические занятия
Тема: «Исследование бизнес-ситуации: инвестирование».
ЭТ Excel. Решение оптимизационных задач. Применение
средств: Подбор параметров, Поиск решения.
Лабораторные занятия
М,П,
ОК-8
ПК-8
Д,И
ПК-8
ПК-9
70
Самостоятельное изучение материала.
М,П,
24
Подготовка реферата. Темы рефератов:
1. Практическое применение интеллектуального анализа
данных.
2. Информационное хранилище(витрины данных,
информационное хранилище двухуровневой и
трехуровневой архитектуры.
3. Модели данных (реляционная, сетевая, иерархическая
модели данных).
И
Реализуемые
компетенции
Темы, разделы, вынесенные на самостоятельную подготовку,
вопросы к практическим и лабораторным занятиям; тематика
рефератной работы; курсовые работы и проекты, контрольные,
рекомендации по использованию литературы и ЭВМ и др.
Методы
Кол. час
Неделя
Самостоятельная работа обучающегося - Заочная форма обучения - 5г 00м
ОК-8
ПК-8
ПК-8
ПК-9
4. Концепция многомерного представления данных.
5. Методы извлечения знаний и области их применения в
экономике.
6. Концептуальное моделирование информационных
потребностей в технологии Хранилищ данных.
7. Обзор архитектуры систем поддержки принятия
решений.
8. Принципы построения и использования систем на
основе технологии OLAP.
70
Самостоятельное изучение материала.
М,П,
24
Подготовка реферата. Темы рефератов:
1. Практическое применение интеллектуального анализа
данных.
2. Информационное хранилище(витрины данных,
информационное хранилище двухуровневой и
трехуровневой архитектуры.
3. Модели данных (реляционная, сетевая, иерархическая
модели данных).
4. Концепция многомерного представления данных.
5. Методы извлечения знаний и области их применения в
экономике.
6. Концептуальное моделирование информационных
потребностей в технологии Хранилищ данных.
7. Обзор архитектуры систем поддержки принятия
решений.
8. Принципы построения и использования систем на
основе технологии OLAP.
И
Реализуемые
компетенции
Темы, разделы, вынесенные на самостоятельную подготовку,
вопросы к практическим и лабораторным занятиям; тематика
рефератной работы; курсовые работы и проекты, контрольные,
рекомендации по использованию литературы и ЭВМ и др.
Методы
Кол. час
Неделя
Самостоятельная работа обучающийсяа - Заочная форма обучения - 3г 06м
ОК-8
ПК-8
ПК-8
ПК-9
70
Самостоятельное изучение материала.
М,П,
24
Подготовка реферата. Темы рефератов:
1. Практическое применение интеллектуального анализа
данных.
2. Информационное хранилище(витрины данных,
информационное хранилище двухуровневой и
И
Реализуемые
компетенции
Темы, разделы, вынесенные на самостоятельную подготовку,
вопросы к практическим и лабораторным занятиям; тематика
рефератной работы; курсовые работы и проекты, контрольные,
рекомендации по использованию литературы и ЭВМ и др.
Методы
Кол. час
Неделя
Самостоятельная работа обучающегося - Заочная форма обучения - 3г 06м
ОК-8
ПК-8
ПК-8
ПК-9
трехуровневой архитектуры.
3. Модели данных (реляционная, сетевая, иерархическая
модели данных).
4. Концепция многомерного представления данных.
5. Методы извлечения знаний и области их применения в
экономике.
6. Концептуальное моделирование информационных
потребностей в технологии Хранилищ данных.
7. Обзор архитектуры систем поддержки принятия
решений.
8. Принципы построения и использования систем на
основе технологии OLAP.
Интерактивные технологии и инновационные методы, используемые в образовательном
процессе
Основаны на использовании современных достижений науки и информационных технологий.
Направлены на повышение качества подготовки путем развития у обучающихся творческих
способностей и самостоятельности (методы проблемного обучения, исследовательские методы,
тренинговые формы, рейтинговые системы обучения и контроля знаний и др.). Нацелены на
активизацию творческого потенциала и самостоятельности обучающихся и могут реализовываться на
базе инновационных структур (научных лабораторий, центов, предприятий и организаций и др.).
2.3.
№
Наименование основных форм
1.
Компьютерные симуляции
2.
Разбор конкретных ситуаций
3.
Применение электронных
мультимедийных учебников и
учебных пособий
3.
3.1.
Краткое описание и примеры,
использования в модулях (темах), место
проведения
Используются при исследовании бизнесситуации: «инвестирование».
Прогнозирование с помощью построения
пользовательских моделей
Используется по всем темам дисциплины
мультимедийные материалы в
аудиториях, обеспеченных
соответствующим оборудованием
Часы
2
4
4
Средства обучения
Информационно-методические
№ Перечень основной и дополнительной литературы, методических разработок;
с указанием наличия в библиотеке, на кафедре
Наличие
в библ.
Основная литература:
1
А.А.Барсегян, М.С.Куприянов, В.В.Степаненко, И.И.Холод, Технологии
анализа данных: Data Mining, Visual Mining, Text Mining, OLAP, СПб.: БХВПетербург, 2008.
10
2
Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям, СПб: 1.
А.А.Барсегян, М.С.Куприянов, В.В.Степаненко, И.И.Холод, Технологии
анализа данных: Data Mining, Visual Mining, Text Mining, OLAP, СПб.: БХВПетербург, 2008.
10
3.
Системный анализ и принятие решений: Словарь-справочник: Учеб. пособие
для ву-зов/под ред. В.Н. Волковой, В.Н. Козлова. – М.: Высшая школа. 2004.
ISBN 5-06-004875-6. – 616 с.
4
Спирли Э. Корпоративные хранилища данных. Планирование, разработка и
реализация. Т.1 – Вильямс. 2001. ISBN 5-8459-0191-X. – 400 с.
5
Трахтенгерц Э. Компьютерная поддержка принятия решений: Научнопрактическое издание. Серия «Информатизация России на пороге XXI века».
– М.: Синтег. 1998. ISBN 5-89638-003-8. – 376 с.
Дополнительная литература:
6.
Дюк В.А., Самойленко А.П., Data Mining: учебный курс, СПб: Питер, 2001.
7
Чубукова И. А. Data Mining: учебное пособие, М: Интернет-университет
информационных технологий: БИНОМ: Лаборатория знаний, 2006
Справочники, словари, энциклопедии
1. Интернет-портал Basegroup. http://www.basegroup.ru
2. OLAP-сервер Mondrian . http://mondrian.sourceforge.net .
3. OLAP-интерфейс Jpivot. http://jpivot.sourceforge.net .
4. Объектно-ориентированная библиотека алгоритмов Добычи данных
Xelopes. http://www.zsoft.ru/rus/index.php .
5. Интегрированная оболочка для подготовки и анализа данных WEKA.
http://www.cs.waikato.ac.nz/~ml/index.html .
6. Свободно
распространяемая
ERP-система
OFBIZ.
http://incubator.apache.org/ofbiz/ .
7. Свободно распространяемая оболочка эксперных систем CLIPS.
http://www.ghg.net/clips/CLIPS.html .
8. Интегрированная
среда
инженерных
расчетов
Matlab.
http://www.mathworks.com.
9. Интегрированная оболочка для подготовки и анализа данных Deductor.
http://www.basegroup.ru.
10. Комплекс средств построения СППР на основе технологий Хранилища
данных
и
Добычи
данных
IBM
DataWarehouse.
http://www.ibm.com/software/data/db2/dwe/ .
11. Интернет-портал, посвященный вопросоам построения и эксплутации
СППР. http://dssresources.com/tour/index.html .
12. Интернет-портал, посвященный вопросам извлечения и использования
знаний
в
процессе
управления.
http://www.businessintelligence.com/ex/asp/id.6/page.1/xe/biextractdetail.ht
m
13. Интернет сайт поддержки книги Kimball R., Ross M. The Data
Warehouse Toolkit: The Complete Guide to Dimensional Modeling.
http://www.EWSolu
14. Интернет-портал, посвященный вопросам управления данными в
процессах принятя ре-шенийй. DM Review: http://www.dmreview.com .
15. Интернет-портал, посвященный вопросам использования технологии
Хранилищ данных в СППР. Journal of Data Warehousing: http://www.dwinstitute.com .
16. Интернет-словарь важных технических терминов в области СППР.
http://www.techweb.com/encyclopedia .
17. Интернет-словарь важных технических терминов в области СППР.
http://www.ncits.org/tc_home/k5htm/ANSDIT.htm .
18. C. L. Blake and C. J. Merz, Churn Data Set, UCI Repository of Machine
Learning Databases, http://www.ics.uci.edu/~mlearn/MLRepository.html.
University of California, Department of Information and Computer Science,
Irvine, CA, 1998.
19. Интернет-портал, посвященный вопросам использования знаний в
СППР. http://www.businessintelligence.com .
3.2.Материально-технические
№
Основное оборудование, стенды, макеты,
ауд.
компьютерная техника, наглядные пособия и другие
дидактические материалы, обеспечивающие
проведение лабораторных и практических занятий,
научно-исследовательской работы обучающийсяов с
указанием наличия
Основное назначение (опытное,
обучающее, контролирующее) и
краткая характеристика
использования при изучении
явлений и процессов, выполнении
расчетов.
Перечень программного обеспечения и Интернет- Обучающее (изучение основных
ресурсов, используемого при преподавании возможностей и принципов работы
с программами)
дисциплины.
Платформа Deductor Academic 5.2.
http://www.intuit.ru/department/database/datamining/
4. 1. Вопросы (тест для промежуточной аттестации)
1. Какие задачи решаются с помощью систем поддержки принятия решений:
а) ввод данных;
б) хранение данных;
в) анализ данных.
2. Какая задача, решаемая с помощью систем поддержки принятия решений, является
основной:
а) ввод данных;
б) хранение данных;
в) анализ данных.
3. С помощью какого класса задач анализа осуществляется группирование и обобщение
необходимых аналитику данных:
а) информационно-поисковый;
б) оперативно-аналитический;
в) интеллектуальный.
4. С помощью какого класса задач анализа осуществляется поиск данных на основе заранее
определенных запросов:
а) информационно-поисковый;
б) оперативно-аналитический;
в) интеллектуальный.
5. С помощью какого класса задач анализа осуществляется поиск функциональных
закономерностей в накопленных данных, построение моделей и правил:
а) информационно-поисковый;
б) оперативно-аналитический;
в) интеллектуальный.
6. Какие подсистемы входят в обобщенную архитектуру системы поддержки принятия
решений:
а) информационно-поисковая система;
б) подсистема ввода данных;
в) подсистема хранения;
г) подсистема анализа;
д) подсистема отчетов.
7. В какой подсистеме осуществляется операционная обработка данных на основе
использования СУБД:
а) информационно-поисковая система;
б) подсистема ввода данных;
в) подсистема хранения;
г) подсистема анализа;
д) подсистема отчетов.
8. В какой подсистеме подсистемы анализа реализуются методы и алгоритмы добычи
данных:
а) подсистема информационно-поискового анализа;
б) подсистема оперативного анализа;
в) подсистема интеллектуального анализа.
9. В каких системах присутствие человеческого фактора при вводе данных повышает
вероятность ошибочных данных и может создать локальные проблемы в системах:
а) система поддержки принятия решений;
б) OLTP – система;
в) система управления базами данных;
г) экономическая информационная система;
д) информационно-поисковая система.
10. К каким системам предъявляется требование обеспечения формирования произвольных
запросов к базе данных:
а) система поддержки принятия решений;
б) OLTP – система;
в) система управления базами данных;
г) экономическая информационная система;
д) информационно-поисковая система.
11. Для каких систем является приоритетных высокая производительность и доступность
данных:
а) система поддержки принятия решений;
б) OLTP – система;
в) система управления базами данных;
г) экономическая информационная система;
д) информационно-поисковая система.
12. Хранилище данных – это
а) предметно-ориентированный, интегрированный, неизменчивый, поддерживающий
хронологию набор данных, организованный для целей поддержки принятия решений;
б) модель некоторой предметной области, состоящая из связанных между собой данных об
объектах, их свойствах и характеристиках;
в) система, обладающая свойствами ввода, хранения и анализа данных, относящихся к
некоторой предметной области, с целью поиска решений.
13. Выделите свойства хранилища данных:
а) предметная ориентация;
б) интеграция;
в) поддержка хронологии;
г) неизменяемость;
д) допущение избыточности данных;
е) приоритетность характеристик системы.
14. Основное назначение OLAP-систем:
а) обнаружение скрытых знаний и закономерностей;
б) поддержка аналитической деятельности;
в) поддержка запросов пользователей-аналитиков;
г) ввод и хранение данных.
15. Интеллектуальный анализ данных – это
а) исследование и обнаружение в сырых данных скрытых знаний, которые ранее не были
известны, нетривиальны, практически полезны;
б) технология оперативной аналитической обработки данных, использующая методы и
средства для сбора, хранения и анализа многомерных данных в целях поддержки процессов
принятия решений;
в) предметно-ориентированный, интегрированный, изменчивый, поддерживающий
хронологию набор данных, организованный для целей поддержки принятия решений;
г) модель некоторой предметной области, состоящая из связанных между собой данных об
объектах, их свойствах и характеристиках.
Вопросы (контрольные вопросы для промежуточной аттестации)
1. Задачи систем поддержки принятия решений.
2. База данных как основа систем поддержки принятия решений.
3. Архитектура систем поддержки принятия решений.
4. Концепция хранилища данных.
5. Организация хранилища данных.
6. Многомерная модель данных.
7. Определение OLAP – системы, основные понятия.
8. Концептуальное многомерное представление данных.
9. Архитектура OLAP – системы
10. Основные понятия анализа данных.
11. Задачи анализа данных и области практического применения.
12. Основные этапы построения моделей.
13. Методика анализа данных.
14. MS Excel для решения задач интеллектуального анализа.
15. Пакет OLAP -анализа Business Objects, модуль интеллектуального анализа “ Miner
”(деревья решений, кластерный анализ).
16. Набор инструментальных средств для интеллектуального анализа баз данных
«Polyanalist» российской фирмы “ Megaputer ”.
17. Аналитическая платформа Deductor.
18. Пакет “ Statistica ” – для решения задач статистического анализа, выявления
закономерностей и прогнозирования нейросетевыми и другими современными
методами.
19. Задача классификации и регрессии.
20. Постановка задачи, алгоритмы решения, представление результатов.
21. Задача поиска ассоциативных правил. Постановка задачи, алгоритмы решения,
представление результатов.
22. Задача кластеризации. Постановка задачи, алгоритмы решения, представление
результатов.
6.ОЦЕНОЧНЫЕ СРЕДСТВА ПРОМЕЖУТОЧНОЙ АТТЕСТАЦИИ
ПО ДИСЦИПЛИНЕ 231000 «Программная инженерия» в форме зачета
Контрольные задания
для оценки знаний, умений, владений в целях контроля уровня
сформированности компетенций
Знать, уметь, владеть
Содержание
учебного материала
(тема, раздел,
модуль)
Методы
КолКонтрольные вопросы и
и
во
компетентностносредства вариа
ориентированные
контроля -нтов
задания
(код)
1
2
3
4
5
ОК-9 способность использовать основные положения и методы социальных, гуманитарных и
экономических наук при решении социальных и профессиональных задач, способность
анализировать социально-значимые проблемы и процессы
Знать:
Модуль 1. Основы 1. Задачи систем поддержки
ОКС
З1 - подходы к
интеллектуального
принятия решений.
хранению,
анализа данных.
2. База данных как основа
представлению и
систем поддержки принятия
обработке
решений.
информации в
3. Определение OLAP –
современных
системы, основные понятия.
информационных
4.Основные понятия анализа
системах;
данных.
Уметь:
Модуль 2. Модели и 1. Методика анализа данных. ЛР
У1- выполнить
методы
2.MS Excel для решения
комплексный анализ
интеллектуального
задач интеллектуального
информации с целью
анализа данных.
анализа.
принятия решений на
основе использования
современных методов
и систем для ИАД;
Владеть:
Модуль 2. Модели и 1. Задачи анализа данных и
КС
В1- технологиями
методы
области практического
использования ПЭВМ интеллектуального
применения.
в хозяйственной,
анализа данных.
2.Пакет OLAP -анализа
финансовой и
Business Objects, модуль
коммерческой сферах
интеллектуального анализа
деятельности
(деревья решений,
предприятий.
кластерный анализ).
ПК-8 способность готовить коммерческие предложения с вариантами решений
Знать:
Модуль 1. Модели и 1.Архитектура систем
ОКС
З2- возможности
методы
поддержки принятия
анализа информации
интеллектуального
решений.
на основе методов
анализа данных.
2.Концепция хранилища
ИАД;
данных.
3.Концептуальное
З3 - основные
многомерное представление
понятия, задачи,
данных.
стадии и методы ИАД
4.Задачи анализа данных и
области практического
применения.
Уметь:
У2 - моделировать,
анализировать и
совершенствовать
бизнес-процессы;
У3 систематизировать и
обобщать
информацию
организовывать и
проводить
исследования в
области экономики,
управления и
ИКТ.
Владеть:
методами и
инструментальными
средствами
разработки программ;
Модуль 2. Модели и 1.Задача классификации и
методы
регрессии.
интеллектуального
2.Постановка задачи,
анализа данных.
алгоритмы решения,
представление результатов.
3.Задача поиска
ассоциативных правил.
4.Постановка задачи,
алгоритмы решения,
представление результатов.
5.Задача кластеризации.
6.Постановка задачи,
алгоритмы решения,
представление результатов.
ЛР
Модуль 2. Модели и
методы
интеллектуального
анализа данных.
1 Набор инструментальных
средств для
интеллектуального анализа
баз данных «Polyanalist»
российской фирмы “
Megaputer ”.
Р
1.Организация хранилища
данных.
2.Многомерная модель
данных.
3.Архитектура OLAP –
системы
ОКС
ПК-9 знакомство с архитектурой ЭВМ и систем
Знать:
Модуль 1. Основы
З4 – применение
интеллектуального
подходов ИАД в
анализа данных.
современных
областях экономики,
науки и образования.
Уметь:
У4 - разрабатывать
конкретные
предложения по
результатам
исследований,
готовить справочноаналитические
материалы для
принятия
управленческих
решений.
Модуль 2. Модели и 1.Пакет “ Statistica ” – для
методы
решения задач
интеллектуального
статистического анализа,
анализа данных.
выявления закономерностей
и прогнозирования
нейросетевыми и другими
современными методами.
КС
Владеть:
В3 - методами ИАД с
целью принятия
решений в
современных
областях экономики,
науки и образования.
Модуль 2. Модели и 1.Аналитическая платформа
методы
Deductor.
интеллектуального
анализа данных.
П
4.
Дополнения и изменения в рабочей программе на учебный год _____/______
Следующие записи относятся к п.п.
Автор
Зав. кафедрой
Принято УМУ__________________________________ Дата:_____________________