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%).

В результаті вивчення дисципліни, фахівець повинен знати:
• основні поняття, задачі та стадії інтелектуального аналізу даних;
• підходи к збереженню, представленню та обробці інформації в сучасних інформаційних системах;
• методи побудови моделей та аналізу залежностей у великих масивах даних;
• сучасні програмні засоби для проектування i розробки систем інтелектуального аналізу даних.
Підготовлений фахівець повинен вміти:
• обґрунтовувати вибір конкретного типу моделі та методу інтелектуального аналізу даних при
• вирішенні поставленої практичної задачі;
• проводити необхідну попередню обробку даних, визначати тип задачі аналізу, вирішувати її адекватно
• обраним методом з оптимально визначеними параметрами, оцінювати результати, робити змістовні
• висновки та інтерпретацію;
• використовувати сучасні програмні засоби для проектування та дослідження систем інтелектуального аналізу даних.

Попередні навчальні дисципліни: Алгоритмізація та програмування
Супутні і наступні навчальні дисципліни: Методи та системи штучного інтелекту

Тема 1. Основи інтелектуального аналізу даних. Визначення Data Mining і область застосування. Задачі, моделі та методи Data Mining. Поняття Business Intelligence. Тема 2. Дані, інформація, знання. Ієрархія понять «відомості – дані – інформація – знання». Атрибути даних, типи, значення, властивості значень. Вимірювання, шкали. Метадані. Влсвтивості інформації та знань. Тема 3. Вирішення задачі регресії Сутність задачі прогнозування. Методи вирішення задачі регресії. Лінійна регресія, метод найменших квадратів. Тема 4. Вирішення задачі класифікації Постановка задачі класифікації та представлення результатів. Методи побудови правил класифікації. Методи побудови дерев рішень. Методи побудови математичних функцій. Методи опорних векторів, «найближчого сусіда», Байеса. Аналіз багатомірних угрупувань. Класифікація об’єктів у випадку невідомих розподілень даних. Методи оцінювання помилок класифікації. Тема 5. Вирішення задачі пошуку асоціативних правил Постановка задачі пошуку асоціативних правил та представлення результатів. Секвенціальний аналіз. Різновиди задач пошуку асоціативних правил. Методи подання результатів. Алгоритми пошуку асоціативних правил. Методи пошуку асоціативних правил: метод Apriori, побудова FP- дерев пошуку шаблонів даних. Побудова hash-дерев. Тема 6. Вирішення задачі кластеризації Постановка задачі кластеризації та представлення результатів. Види кластерів. Міри близькості, засновані на відстанях. Базові алгоритми кластеризации. Адаптивні методи кластеризації. Тема 7. Методи прогнозування. Нейронні мережі. Метод нейронних мереж. Елементи та архітектура, процес навчання і явище перенавчання нейронної мережі. Персептрон. Приклад вирішення задачі за допомогою апарату нейронних мереж. Класифікації нейронних мереж. Процес підготовки даних для навчання. Карти Кохонена, що самоорганізуються. Пиклади розв'язання задач. Тема 8. Процес виявлення знань. Цикл одержання, попередньої обробки, аналізу даних, інтерпретації результатів та їхнього використання. Етапи процесу Data Mining, пов’язані з побудовою, перевіркою, оцінкою, вибором і корекцією моделей. Методи первісної обробки даних. Інструментальні засоби Data Mining. Методи дослідження структури даних: візуалізація даних. Тема 9. Сховища даних. Особливості концепції сховищ даних Основні положення концепції сховищ даних Завдання, які вирішуються в сховищах даних. Архітектури сховищ даних. Тема 10. OLAP системи. Поняття та модель даних OLAP. Структура OLAP-куба. Ієрархія вимірювань OLAP-кубів. Операції, що виконуються над гіперкубом. Таблиця фактів. Таблиці вимірювань. Архітектура OLAP-систем. Клієнтські OLAP-засоби. Серверні OLAP-засоби. Технічні аспекти багатовимірного зберігання даних. Багатомірний OLAP (MOLAP). Реляційний OLAP (ROLAP). Гібридний OLAP (HOLAP). Загальні відомості про багатовимірний аналізі даних за допомогою служб SQL Server 2005 Analysis Services і SQL Server 2008 Analysis Services

1. Han J. Data Mining: Concepts and Techniques (Second Edition)/ J. Han, M. Kamber – Morgan Kaufmann Publishers, 2006. – 800 p.
2. Witten, I.H. Data mining : practical machine learning tools and techniques.—3rd ed. / Ian H. Witten, Frank Eibe, Mark A. Hall. – Morgan Kaufmann Publishers, 2011. – 629 p.
3. Ланде Д.В., Субач І.Ю., Бояринова Ю.Є. Основи теорії і практики інтелектуального аналізу даних у сфері кібербезпеки: навчальний посібник. — К.: ІСЗЗІ КПІ ім. Ігоря Сікорського», 2018. — 297 с.

Навчання проводиться у формі лекцій, лабораторних занять, виконання контрольних робіт та самостійної роботи студента.
Об’єктом поточного контролю знань студентів є:
• систематичність, якість та активність виконання практичних завдань;
• систематичність та своєчасність виконання завдань самостійної роботи студента;
• якість виконання контрольних робіт.
Підсумковий контроль знань проводиться у формі заліку.
Лабораторні заняття (ЛЗ): 30
КР: 10
ПК (ЛЗ+КР): 40
Письмова компонента: 40
Усна компонента: 20

- 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.