Студент повинен знати: основні поняття та визначення інтелектуальної обробки даних; основні методи побудови моделей для виявлення залежностей у великих масивах даних; сучаснi програмнi засоби для інтелектуального аналізу даних; критерiї порiвняння моделей i методiв інтелектуальної обробки даних; елементи теорії штучних нейромереж; відмінності між звичайними та інтелектуальними системами.
Студент повинен вміти: порівнювати методи та моделі інтелектуального аналізу даних; здійснювати вибiр конкретного типу моделi та методу інтелектуальної обробки даних при вирiшеннi практичних задач; використовувати сучаснi програмнi засоби для інтелектуального аналізу даних; вирішувати задачі групування, класифікації та аналізу даних; аналiзувати результати застосування програмних засобів для інтелектуальної обробки даних при вирiшеннi прикладних задач.

Інформатика, статистика, вища математика (попередні дисципліни).

Вступ до інтелектуального аналізу даних. Основні терміни та особливості ІАД. Основні етапи інтелектуальної обробки даних. Завдання ІОД. Попередня обробка даних. Накопичення даних. Типові процедури опрацювання даних. Нормалізація min/max. Стандартизація даних. Моделі інтелектуальної обробки даних. Регресійний аналіз. Наближення функції за методом найменших квадратів. Задача групування даних (кластеризації даних). Алгоритм k-середніх для групування даних. Міра якості групування. Асоціативні правила. Задача класифікації даних. Байєсівський наївний класифікатор. Метод найближчого сусіда, метод взірців, метод k найближчих сусідів. Штучні нейронні мережі. Загальна модель нейрона. Функція активації. Одношарові та двошарові нейронні мережі. Мережі Кохонена (мережі, що самоорганізовуються). Використання нейронних мереж для кластеризації даних. Дерева рішень. Класифікаційні і регресійні дерева. Алгоритм CART. Алгоритм С4.5. Огляд програмних засобів інтелектуального аналізу даних. Перспективи використання методів та засобів інтелектуальної обробки даних у підприємництві і торгівлі.

1. Барсегян, А. А. Анализ данных и процессов: учеб. пособие / А. А. Барсегян, М. С. Куприянов, И. И. Холод, М. Д. Тесс, С. И. Елизаров. — 3-е изд., перераб. и доп. — СПб.: БХВ-Петербург, 2009. — 512 с.: ил. + CD-ROM — (Учебная литература для вузов)
2. Data mining: пошук знань в даних [Текст] : [підруч. для студентів, інженерів і фахівців у сфера інтелект. аналізу даних] / Гладун А. Я., Рогушина Ю. В. – Київ , 2016. – 451 с.
3. Чубукова И. А. Data Mining/ Чубукова И. А. - М: Бином. Лаборатория знаний, 2008. - 384 с.
4. Барсегян А. А. Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко та ін. – 2-е изд., перераб. и доп. – СПб. : БХВ-Петербург, 2004. – 336 с.
5. Дюк В. "Data Mining" : учебный курс / В. Дюк, А. Самойленко. – СПб. : Питер, 2001. – 368 с.

Поточний контроль (40%) – лабораторні заняття, усне опитування. Підсумковий контроль (60%) - іспит.