В результаті вивчення дисципліни, фахівець повинен знати:
1.Технологію аналізу великих наборів даних.
2. Технологію інтелектуального аналізу текстів (Text Mining).
3. Технологію роботи з великими наборами даних.
4. Методи побудови рекомендаційних систем.
5. Методи добування знань з WEB (WEB mining).
6. Методи застосування мультиагентних систем.
7. Технологію інтернету речей.
Підготовлений фахівець повинен вміти:

1. Проектувати системи інтелектуального аналізу текстів (Text Mining).
2. Проектувати системи добування знань з WEB (WEB mining).
3. Проектувати рекомендаційні систем.
4. Проектувати складні системи із застосуванням методів мультиагентних систем.
5. Проектувати системи із застосуванням технології інтернету речей.

Інтелектуальний аналіз даних
Методи та системи штучного інтелекту
Організація баз даних та знань
Теорія прийняття рішень
Управління ІТ проектами
Методи проектування

Задача аналізу текстів. Етапи аналізу текстів. Попередня обробка текстів. Задачі Text Mining. Добування ключових понять з тесту. Загальний опис процесу добування понять з тексту. Стадія локального аналізу. Стадія інтеграції і виводу понять. Класифікація текстових документів. Опис задачі класифікації текстів. Методи класифікації текстових документів. Методи кластеризації тестових документів. Представлення текстових документів. Ієрархічні методи кластеризації тестових документів. Бінарні методи кластеризації тестових документів. Задачі анотування текстів. Виконання анотування текстів. Методи добування фрагментів для анотування текстів. MapReduce новий програмний стек. Розподілені файлові системи. Технологія MapReduce. Алгоритми в яких використовується MapReduce. Узагальнення MapReduce. Модель комунікаційної вартості. Теорія складності MapReduce. Пошук подібних об»єктів. Додатки пошуку близького сусіда. Розбиття документів на шингли. Сигнатури множин із збереженням подібності. Хешування документів із врахуванням близькості. Метрики. Теорія функцій, яка враховує близькість. LSH-сімейства для інших метрик. Застосування хешування з врахуванням близькості. Методи для високої степені подібності. Аналіз посилань у WEB додатках. PageRank. Ефективне обчислення PageRank. Тематичний PageRank. Спам за посиланнями. Хаби і авторитетні сторінки. Модель рекомендаційної системи. Матриця переваг (оцінок). Довгий хвіст. Застосування рекомендаційних систем. Заповнення матриці оцінок. Рекомендації на основі фільтрації вмісту. Колаборативна фільтрація. Пониження розмірності .Соціальні мережі як графи. Кластеризація графа соціальної мережі. Пряме знаходження спільнот. Розрізання графів. Знаходження спільнот, які перетинаються. Simrank. Підрахунок трикутників. Околи в графах. Власні значення і власні вектори. Метод головних компонент. CUR-декомпозиція. Правильний вибір стрічок і стовбців. Проблеми аналізу інформації з WEB. Етапи WEB Mining. WEB Mining і інші інтернет-технології. Категорії WEB Mining. Методи добування WEB-контенту. Добування WEB-контенту в процесі інформаційного пошуку. Добування WEB-контенту для формування баз даних. Добування WEB-структур. Представлення WEB-структур. Оцінка важливості WEB-структур. Пошук WEB-документів з врахуванням гіперпосилань. Кластеризація WEB-структур. Дослідження використання WEB-ресурсів.

1.Лесковен Ю.,. Раджараман А., Ул:ьман Д. Анализ больших наборов дашrых. -- М.: ДМК,2016.
2.Фингар П. DOT.CLOUD. Облачные вычисления - бизнес-платформа XXI века, М., 2011
3.Риз Дж. Облачные вычисления: Пер. с англ. — СПб.: БХВ-Петербург, 2011.
4.Клементьев И.П., Устинов В.А. Введение в облачные вычисления, М, 2016.
5.Марманис Х., Бабенко Д. Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных. – Пер. с англ. – СПб.: Символ-Плюс, 2011.
6.Соловьев В.Д., Добров Б.В., Иванов В.В., Лукашевич Н.В. Онтологии и тезаурусы, М, 2006.
7.Теджасви Р., Гвидичи Т. Платформа Windows Azure, М., 2012.
8.Палкин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям, СПб,2013
9.Приемышев А. В., Крутов В. Н.,Треяль В. А., Коршакова О. А. Технологии создания интеллектуальных устройств, подключенных к Интернет: Учебное пособие. — СПб.:
Издательство «Лань», 2017.
10.Грингард С. Интернет вещей: Будущее уже здесь Пер. с англ. — М. : Альпина Паблишер, 2016.
11.Ландэ Д.В., Снарский А.А., Безсуднов И.В. Интернетика: навигация в сложных сетях: модели и алгоритмы, М., 2009.
12.Сегаран. Т. Программируем коллективный разум. – Пер. с англ. – СПб: Символ-Плюс, 2008.
13.Статистика. Учебное пособие /Харченко Л.П. и др. М.: ИНФРА-М, 2001.
14.В.Боровиков STATISTICA искусство анализа данных на компьютере. Питер, 2001.
15.Статистика. Учебное пособие/ под ред. М.Р. Ефимовой
16.Рідкокаша А.А., Голдер К.К. Основи систем штучного інтелекту. Навчальний посібник. – Черкаси: "ВІДЛУННЯ-ПЛЮС", 2002. – 240 с.
17.Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети. – Винница: УНІВЕРСУМ-Вінниця, 1999. – 320 с.
18.Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. – М.: Горячая линия-Телеком, 2004. – 143 с.
19.Ярушкина Н.Г. Основы теории нечетких и гибридных систем. – М.: Финансы и статистика, 2004. – 320 с.

Поточний контроль
Лабораторні заняття - 30
Контрольна робота - 10
Екзаменаційний контроль
Письмова компонента - 50
Усна компонента - 10
Максимальна оцінка в балах - 100