Data Mining
Чубукова И.А.
Надіслав: Кравцов Геннадий (1 лютого 2017р.)
Факультет комп'ютерних наук, фізики та математики :: Дисципліни кафедри комп’ютерних наук та програмної інженерії :: Інтелектуальний аналіз даних
Анотація
Курс знакомит студентов с технологией Data Mining (BigData), подробно рассматриваются методы, инструментальные средства и применение Data Mining. Описание каждого метода сопровождается конкретным примером его использования.
План
1. Data Mining (лекції)
2. Інтелектуальний аналіз даних засобами MS SQL Server
         Лекції
         Лабораторні роботи
                  Аттестация по лабораторным работам
         Самостійна робота
         Ситник В.Ф. Системи підтримки прийняття рішень: Навчальний посібник
         Куперштейн Л.М. Методичні вказівки до проведення практичних занять
3. Анализ банков данных. Обработка данных OLAP. Интеллектуальный анализ данных
         Методические указания к выполнению лабораторных работ
Модулі
Робоча програма (Syllabus)
Томас Ерл, Вадід Хаттак і Пол Булер. Основи Big Data: поняття, драйвери та методи
1. Data Mining (лекції)
1. Что такое Data Mining?
2. Данные
3. Методы и стадии Data Mining
4. Задачи Data Mining. Классификация и кластеризация
5. Задачи Data Mining. Прогнозирование и визуализация
6. Сферы применения Data Mining
7. Основы анализа данных
8. Методы классификации и прогнозирования. Деревья решений
9. Методы классификации и прогнозирования. Метод опорных векторов. Метод "ближайшего соседа"
10. Методы классификации и прогнозирования. Нейронные сети
11. Нейронные сети. Самоорганизующиеся карты Кохонена
12. Методы кластерного анализа. Иерархические методы
13. Методы кластерного анализа. Итеративные методы
14. Методы поиска ассоциативных правил
15. Способы визуального представления данных. Методы визуализации
16. Комплексный подход к внедрению Data Mining, OLAP и хранилищ данных в СППР
17. Процесс Data Mining. Начальные этапы
18. Процесс Data Mining. Очистка данных
19. Процесс Data Mining. Построение и использование модели
20. Организационные и человеческие факторы в Data Mining. Стандарты Data Mining
21. Рынок инструментов Data Mining
22. Инструменты Data Mining. SAS Enterprise Miner
23. Инструменты Data Mining. Система PolyAnalyst
24. Инструменты Data Mining. Программные продукты Cognos и система STATISTICA Data Miner
25. Инструменты Oracle Data Mining и Deductor
26. Инструмент KXEN
27. Data Mining консалтинг
 
http://www.intuit.ru/studies/courses/6/6/info
http://www.intuit.ru/studies/courses/2312/612/info
 
 
2. Інтелектуальний аналіз даних засобами MS SQL Server
Лекції
Лекції курсу "Інтелектуальний аналіз даних засобами MS SQL Server"

Лекція 1. Інтелектуальний аналіз даних: базові поняття
Лекція 2. Інтелектуальний аналіз даних у СУБД Microsoft SQL Server
Лекція 3. Етапи проведення інтелектуального аналізу даних
Лекція 4. Короткий огляд алгоритмів інтелектуального аналізу даних. Спрощений алгоритм Байєса. Дерева рішень. Лінійна регресія
Лекція 5. Короткий огляд алгоритмів інтелектуального аналізу даних. Алгоритми часових рядів та кластеризації
Лекція 6. Короткий огляд алгоритмів інтелектуального аналізу даних. Алгоритми взаємозв'язків та кластеризації послідовностей
Лекція 7. Короткий огляд алгоритмів інтелектуального аналізу даних. Алгоритми нейронних мереж та логістичної регресії

http://www.intuit.ru/studies/courses/2312/612/info

У форматі pdf: 

Интеллектуальный анализ данных средствами MS SQL Server (лекции).zip

Лабораторні роботи
Лабораторні роботи з курсу "Інтелектуальний аналіз даних засобами MS SQL Server"

Лабораторна робота 1. Надбудови інтелектуального аналізу даних для Microsoft Office

Lab1u.pdf

Лабораторна робота 2. Використання інструментів "AnalyzeKeyInfluencers" та "DetectCategories"

Lab2u.pdf

Лабораторна робота 3. Використання інструментів "Fill From Example" та "Forecast"

Lab3u.pdf

Лабораторна робота 4. Використання інструментів "Highlight Exceptions" та "Scenario Analysis"

Lab4u.pdf

Лабораторна робота 5. Використання інструментів "Prediction Calculator" та "Shopping basket Analysis"

Лабораторна робота 6. Використання інструментів Data Mining Client для Excel 2007 для підготовки даних

Лабораторна робота 7. Використання інструментів Data Mining Client для Excel 2007 для створення моделі інтелектуального аналізу даних

Лабораторна робота 8. Аналіз точності прогнозу та використання моделі інтелектуального аналізу

Лабораторна робота 9. Побудова моделі кластеризації, трасування та перехресна перевірка

http://www.intuit.ru/studies/courses/2312/612/info

У форматі pdf:  

Интеллектуальный анализ данных средствами MS SQL Server (лаб).zip

Дані: 

Введение в Data Mining.xlsx

Аттестация по лабораторным работам
Группа 131м  

Группа 141м  

Самостійна робота
Самостіна робота з курсу "Інтелектуальний аналіз даних засобами MS SQL Server"

У форматі pdf:  

Самостійна робота з Інтелектуального аналізу даних.zip

Ситник В.Ф. Системи підтримки прийняття рішень: Навчальний посібник
Автор Ситник В.Ф.

Системи підтримки прийняття рішень: Навч. посіб. — К.: КНЕУ, 2004. — 614 с.

СППР-Ситник-КНЕУ-2004.zip

Куперштейн Л.М. Методичні вказівки до проведення практичних занять
Методичні вказівки до проведення практичних занять з курсу «Системи підтримки прийняття рішень»

Куперштейн_Мет_практ_роб_СППР.pdf

3. Анализ банков данных. Обработка данных OLAP. Интеллектуальный анализ данных
Автор: Пономарев Алексей Анатольевич

© Томский политехнический университет, 2013

Методические указания к выполнению лабораторных работ
https://studygur.ru/doc/381915/analiz-bankov-dannyh---portal-tpu

В формате pdf: 

Пономарев_Analiz_BD_laboratoryGuide.pdf

Модулі
141м Data Mining 2023-24 Модули 1-2:
Томас Ерл, Вадід Хаттак і Пол Булер. Основи Big Data: поняття, драйвери та методи
Зміст:
Частина I: ОСНОВИ ВЕЛИКИХ ДАНИХ
Глава 1. Розуміння великих даних
Глава 2. Бізнес мотивація і стимули для переходу до обробки великих даних
Глава 3. Перехід до великих даних і питання планування
Глава 4. Business Intelligence для великих даних
Частина II: ЗБЕРІГАННЯ ТА АНАЛІЗ ВЕЛИКИХ ДАНИХ
Глава 5. Концепції зберігання великих даних
Глава 6. Концепції обробки великих даних
Глава 7. Технології зберігання великих даних
Глава 8. Методи аналізу великих даних