Національний технічний університет україни „київський політехнічний інститут”


ТЕМА 1. БАЗИ ДАНИХ – ОСНОВА СППР. ПОНЯТТЯ ПРО БАЗИ ДАНИХ. РЕЛЯЦІЙНА МОДЕЛЬ. ПЕРЕВАГИ ТА НЕДОЛІКИ



Сторінка8/8
Дата конвертації23.10.2016
Розмір1.11 Mb.
1   2   3   4   5   6   7   8
ТЕМА 1. БАЗИ ДАНИХ – ОСНОВА СППР. ПОНЯТТЯ ПРО БАЗИ ДАНИХ. РЕЛЯЦІЙНА МОДЕЛЬ. ПЕРЕВАГИ ТА НЕДОЛІКИ

База даних як модель деякої предметної галузі. СУБД як інструмент для розробки прикладних програм, що використовують БД. Ієрархічна структура БД, мережева структура БД. Реляційні БД. 12 правил Е.Кодда для реляційних БД. Поняття про реляційну алгебру (алгебру Кодда). Теорія нормалізації. Нормальні форми. Недоліки реляційної моделі. Поняття транзакції.

OLTP-системи.Порівняльна характеристика OLTP-систем та систем аналізу: за ступенем деталізації даних, що зберігаються; за якістю даних; за форматом зберігання даних; за припущенням надлишкових даних; за управлінням даними; за кількістю даних, що зберігаються; за характером запитів до даних; за часом обробки запитів до даних; за характером обчислювального навантаження на систему; за пріоритетністю характеристик системи.

ТЕМА 2. СХОВИЩЕ ДАНИХ. КОНЦЕПЦІЯ СХОВИЩА ДАНИХ

Ідея розділення даних, що використовуються для оперативної обробки та рішення задач аналізу як основа концепції сховища даних. Визначення У.Інмона сховища даних. Властивості СД: предметна орієнтація, інтеграція, підтримка хронології, незмінність. Структура СППР з фізичним сховищем даних. Структура СППР з віртуальним сховищем даних. Необхідність інтеграції даних з неоднорідних джерел у розгалуженому середовищі. Потреба у ефективному зберіганні та обробці дуже великих обсягів інформації. Багаторівневі довідники метаданих. Підвищення вимог до безпеки даних. Поняття про вітрину даних. Структура СППР із самостійними вітринами даних. Структура СППР із сховищами даних та вітринами даних. Висновки.

Організація сховища даних.

Категорії даних: детальні дані, агреговані дані, метадані. Процес агрегації даних. Концепція Дж.Захмана стосовно метаданих. Інформаційні потоки. ETL-процес. Вилучення даних. Перетворення даних: узагальнення даних (агрегація, aggregation), переклад значень (value translation), створення полів (field derivation), очищення полів (cleaning). Очищення даних як важлива задача під час переносу даних у сховище даних. Виявлення проблем у даних. Визначення правил очищення даних. Тестування правил очищення даних. Безпосереднє очищення даних. Концепція сховища даних і аналіз. Висновки.



ТЕМА 3. OLAP-СИСТЕМИ. БАГАТОВИМІРНА МОДЕЛЬ ДАНИХ

Множинність вимірювань і необхідність представлення даних у вигляді багатовимірної моделі. Multi-Dimensional Conceptual View за Коддом. Представлення даних у вигляді гіперкуба. Операція зрізу. Ротація. Консолідація та деталізація. Визначення OLAP-систем. Призначення технології OLAP. Концептуальне багатовимірне представлення. Дванадцять правил Кодда, що визначають OLAP. Додаткові правила Кодда. Тест FASMI.

Архітектура OLAP-систем.

Компоненти OLAP-систем. Різновиди OLAP, MOLAP, ROLAP, HOLAP. Висновки.



ТЕМА 4. ІНТЕЛЕКТУАЛЬНИЙ АНАЛІЗ ДАНИХ. ЗДОБИЧ ДАНИХ – DATA MINING

Задачі Data Mining. Класифікація задач Data Mining. Задача класифікації та регресії. Задача пошуку асоціативних правил. Задача кластеризації. Практичне впровадження Data Mining – інтернет-технології, торгівля, телекомунікації, промислове виробництво, медицина, банківська справа, страховий бізнес, інші галузі використання. Моделі Data Mining. Передсказальні та описуючі моделі.

Методи Data Mining.

Базові методи. Нечітка логіка. Генетичні алгоритми. Нейронні мережі. Процес пошуку знань – основні етапи аналізу. Етапи інтелектуального аналізу даних. Підготовка вихідних даних. Засоби Data Mining. Висновки.



ТЕМА 5. КЛАСИФІКАЦІЯ ТА РЕГРЕСІЯ. ПОСТАНОВКА ЗАДАЧІ

Постановка задачі. Представлення результатів. Правила класифікації. Дерева рішень. Математичні функції. Методи побудови правил класифікації. Алгоритм побудови 1-правил, метод Naïve Bayes. Методи побудови дерев рішень. Методика «розділюй і володарюй». Алгоритм ID3. Алгоритм C4.5. Алгоритм покриття. Методи побудови математичних функцій. Загальний вигляд. Лінійні методи. Метод найменших квадратів. Нелінійні методи. Support Vector Machines (SVM). Прогнозування часових рядів. Методи прогнозування часових рядів. Висновки.



ТЕМА 6. ПОШУК АСОЦІАТИВНИХ ПРАВИЛ. ПОСТАНОВКА ЗАДАЧІ

Формальна постановка задачі. Секвенціальний аналіз. Різновиди задачі пошуку асоціативних правил. Представлення результатів. Алгоритми.Алгоритм Apriori. Різновиди алгоритму Apriori. Висновки.



ТЕМА 7. СТАНДАРТИ DATA MINING

Стандарти Data Mining. Коротко про стандарти. Стандарт CWM – призначення, структура та склад. Пакет Data Mining та його концептуальні галузі – Model, Settings, Attributes. Метамоделі. Стандарт GRISP – структура, фази та задачі. Стандарти PMML. Стандарти SQL/MM. Стандарт OLE DB для Data Mining. Стандарт JDMAPI. Висновки.



ТЕМА 8. РОЗПОДІЛЕНИЙ АНАЛІЗ ДАНИХ

Системи мобільних агентів. Основні поняття. Стандарти багатоагентних систем. Системи мобільних агентів. Система JADE. Використання мобільних агентів для аналізу даних. Проблеми розподіленого аналізу даних. Агенти-аналітики. Варіанти аналізу розподілених даних. Система аналізу розподілених даних. Загальний підхід до реалізації системи. Агент для збору інформації про базу даних. Агент для збору статистичної інформації про дані. Агент для рішення одної задачі інтелектуального аналізу даних. Агент для рішення інтегрованої задачі інтелектуального аналізу даних.



  1. МЕТОДИ НАВЧАННЯ ТА ІНФОРМАЦІЙНО-МЕТОДИЧНЕ ЗАБЕЗПЕЧЕННЯ

Основна література – підручники різних років видання, що знаходяться в НТБ. Організація індивідуального консультування – щотижневі консультації.

Список рекомендованої ЛІТЕРАТУРи

  1. Барсегян, А.А. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / А.А.Барсегян, М.С.Куприянов, В.В.Степаненко, И.И.Холод – 2-е изд., перераб. и доп. – СПб.: БХВ-Петербург, 2007. – 384 с.: ил. + CD-ROM.

  2. Жуковська О.А. Основи інтервального аналізу: Навч. Посібю – К.: Освіта України, 2009.

  3. Джексон П. Экспертные системы. _ Москва, С.-Петербург, Киев: Вильямс, 2001. – 624 с.

  1. МОВА

Українська, російська.

  1. ХАРАКТЕРИСТИКА ІНДИВІДУАЛЬНИХ ЗАВДАНЬ

При вивченні курсу індивідуальні завдання не передбачені

  1. МЕТОДИКА ОЦІНЮВАННЯ

Оцінка ECTS, яку студент отримує після вивчення кредитного модуля дисципліни «Системи підтримки прийняття рішень», визначається відповідно до рейтингу студента.

Рейтинг студента з кредитного модуля складається з балів, що він отримує протягом семестру за такі види робіт:



  1. Модульна контрольна робота (МКР) поділяється на дві контрольні роботи тривалістю по 1 акад. годині.

Максимальна кількість балів за одну контрольну роботу: 25 балів.

Максимальна кількість балів за МКР:


25 балів × 2 КР. = 50 балів.

Разом за МКР (максимальна кількість балів): 50 балів.

  1. Виконання лабораторних робіт.

Протягом семестру студенти виконують 5 лабораторних робіт.

Максимальна кількість балів за кожну лабораторну роботу: 10 балів.



Разом за лабораторні роботи (максимальна кількість балів):
10 балів × 5 лаб. робіт = 50 балів.

Заохочувальні бали нараховуються за:

- модернізації завдань, виконання завдань із удосконалення дидактичних матеріалів з дисципліни: 0-10 заохочувальних балів;

Сума вагових балів контрольних заходів протягом семестру: 100 балів.

Для отримання студентом відповідних оцінок (ECTS та традиційних) його сумарний рейтинг переводиться згідно з таблицею:


Сумарний рейтинг за семестр або сума балів за залікову роботу

Оцінка ECTS

Традиційна оцінка

95...100

А

Зараховано



85...94

В

75...84

С

65...74

D

60...64

Е

Сума балів < 60

Fx

Не зараховано

Рейтинг за семестр < 40

F

не допущений

  1. ОРГАНІЗАЦІЯ

Порядок реєстрації на вивчення дисципліни та на семестрову атестацію – згідно нормативних документів НТУУ «КПІ».

.
Каталог: sites -> default -> files -> materials -> information package
information package -> Національний технічний університет україни „київський політехнічний інститут”
information package -> Інформаційний пакет факультету прикладної математики (кафедра скс) зміст
information package -> Національний технічний університет україни „київський політехнічний інститут”
information package -> Національний технічний університет україни „київський політехнічний інститут”
information package -> Національний технічний університет україни „київський політехнічний інститут”


Поділіться з Вашими друзьями:
1   2   3   4   5   6   7   8


База даних захищена авторським правом ©uchika.in.ua 2019
звернутися до адміністрації

    Головна сторінка