- знати структуру та задачі систем підтримки прийняття рішень, задачі Data Mining,
- уміти використовувати методи та моделі Data Mining для розв’язання задач Data Mining.

- пререквізит: Основи інформаційних технологій.
- кореквізити: Методи та системи штучного інтелекту

Задачі Data Mining. Класифікація задач Data Mining. Задачі класифікації і регресії. Задачі пошуку асоціативних правил. Задачі кластеризації. Практичне використання Data Mining. Моделі Data Mining. Передбачувані моделі. Описові моделі. Методи Data Mining. Базові методи. Методи нечіткої логіки. Генетичні алгоритми. Нейронні мережі. Процеси здобуття знань. Засоби Data Mining.

- P.-N. Tan, M. Steinbach, V. Kumar. Introduction to Data Mining. Pearson Education Limited, 2014.
- F. Provost, T. Fawcett. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. Published by O’Relli Media, 2013.
- Барсегян. А. А. Технология анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. Учебное пособие. - СПб.: Питер, 2007. – 384 с.
- Л. Елманова, А, Федоров. Введение в OLAP-технологии Microsoft. Диалог МИФИ. – 2002.
- Berson A., Stephen J. Data Warehousing, Data Mining and OLAP. McCraw-Hill, 1997.

- Поточний контроль (36%): письмові звіти з лабораторних робіт.
- Підсумковий контроль (64 %): екзамен.

• застосування конструктивних методів інтелектуального аналізу даних і методів оптимізації та дослідження операцій при побудові та реалізації формальних математичних моделей та задач.
• використання ефективних алгоритмів до вирішення завдань та застосування основних понять та задач, які розв’язуються з використанням методів дайтамайнінгу.

• Методи обчислень;
• Організація баз даних та знань;
• Об’єктно-орієнтоване програмування;
• Системи управління баз даних та знань.

Основи інтелектуального аналізу даних. Методи багатомірного розвідувального аналізу. Методи класифікації та прогнозування. OLAP. Data Mining. Асоціаційні правила. Системи. Визначення. Класифікація. Інтелектуальні інформаційні системи. Штучні нейронні мережі. Генетичні алгоритми. Нечітка логіка. Дерева рішень. Асоціативні правила. Пошукові системи.

1. Акіменко В. В. Проектування СППР на основі нечіткої логіки. Навчально - методичний посібник / В. В. Акіменко, Ю. В. Загородній. – К.: Вид - во КНУ, 2007. – 94c.
2. Барсегян А.А. Методы и модели анализа даннях : OLAP и Data Mining / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод - СПб.: БХВ- Петербург, 2004. - 336 с.
3. Брагинський О. Л. Проектування систем штучного інтелекту / О. Брагинський. – К., МНТУ, 2002. – 205 с.
4. Глибовец Н. Н. Генетические алгоритмы и их использование для решения задачи составления расписаний // Кибернетика и системный анализ / Н. Н. Глибовец, С. А. Медведь. 2003. – № 1. – С. 95–108.
5. Дюк В. Data Mining: учебный курс (+CD) / В. Дюк, А. Самойленко. — СПб : Изд. Питер 2001. — 368 с.
6. Любунь З. М. Основи теорії нейромереж : Текст лекцій / З. М. Любунь. – Львів : Видавничий центр ЛНУ імені Івана Франка, 2007.-142 с.
7. Нікольський Ю. Дерева прийняття рішень та їхнє застосування для прогнозування діагнозу у медицині // Вісник Львівського університету. Серія прикладна математика та інформатика Випуск 6/ Ю. Нікольський, Ю. Щербина, Р. Якимечко - 2003.- С. 191-211.
8. Хайкин С. Нейронные сети : полный курс, 2- е издание. / С. Хайкин - М. : Издательский дом « Вильямс », 2006.-1104 с.

• Поточний контроль (40%): письмові звіти з лабораторних робіт, реферат, усне опитування
• Підсумковий контроль (60%, залік): письмово-усна форма.

1. Обґрунтовувати й аналізувати вибір конкретного типу моделі та методу інтелектуального аналізу даних при вирішенні практичних задач.
2. Використовувати сучасні програмні засоби для проектування та дослідження систем інтелектуального аналізу даних.
3. Створювати програми для інтелектуального аналізу даних при розв’язку конкретних практичних задач.
4. Аналізувати результати побудови та використання систем інтелектуального аналізу даних при вирішенні прикладних задач.
5. Використовувати програмне забезпечення для використання процедур інтелектуального аналізу при обробці та аналізу первинної інформації.

пререквізити:
Методи обчислень
Організація баз даних та знань
Об’єктно-орієнтоване програмування
кореквізити:
Системи управління баз даних та знань
Технології комп’ютерного проектування
Технології створення програмних продуктів

Нормативна навчальна дисципліна Інтелектуальний аналіз даних є складовою циклу професійної підготовки фахівців освітньо-кваліфікаційного рівня “бакалавр”. Пропонований навчальний курс є дисципліною професійно-практичної підготовки фахівців за спеціальністю 122 «Комп’ютерні науки та інформаційні технології». Дана навчальна дисципліна є теоретичною основою сукупності знань та вмінь, що формують технічний профіль фахівця в області інформаційних управляючих систем та технологій.

1. Бойко Н. І. Інтелектуальний аналіз даних: Методична праця електронний навчально-методичний комплекс для студентів спеціальності 122 «Комп’ютерні науки та інформаційні технології» [Електронний ресурс]. – Режим доступу: http://vns.lp.edu.ua
2. Акіменко В. В. Проектування СППР на основі нечіткої логіки. Навчально - методичний посібник / В. В. Акіменко, Ю. В. Загородній. – К.: Вид - во КНУ, 2007. – 94c.
3. Барсегян А.А. Методы и модели анализа даннях : OLAP и Data Mining / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод - СПб.: БХВ- Петербург, 2004. - 336 с.
4. Брагинський О. Л. Проектування систем штучного інтелекту / О. Брагинський. – К., МНТУ, 2002. – 205 с.
5. Глибовец Н. Н. Генетические алгоритмы и их использование для решения задачи составления расписаний // Кибернетика и системный анализ / Н. Н. Глибовец, С. А. Медведь. 2003. – № 1. – С. 95–108.

- поточний контроль (40%): письмові звіти з лабораторних робіт, виконання практичних завдань, усне опитування;
- підсумковий контроль (60%, залік за результатами поточного контролю): тестування (50%), усна компонента (10%).