Обробка і аналіз великих даних
Спеціальність: Комп'ютерні науки (Системи штучного інтелекту)
Код дисципліни: 6.122.13.E.047
Кількість кредитів: 6.00
Кафедра: Системи штучного інтелекту
Лектор:
Шаховська Н.Б.
Семестр: 7 семестр
Форма навчання: денна
Завдання: Вивчення навчальної дисципліни передбачає формування та розвиток у студентів компетентностей:
інтегральна компетентність (ІНТ):
Здатність використовувати поглиблені теоретичні та фундаментальні знання в галузі інформаційних технологій, штучного інтелекту для ефективного розв’язування складних спеціалізованих задач та практичних проблем під час професійної діяльності або у процесі навчання, що передбачає їхнє застосування для розроблення складних систем, які характеризуються комплексністю та невизначеністю умов.
загальні компетентності (ЗК):
1. здатність навчатися;
2. уміння спілкуватися усно та в письмовій формі українською мовою;
3. здатність здійснювати пошук та аналізувати інформацію з різних джерел;
4. уміння ідентифікувати, формулювати та розв’язувати задачі;
5. уміння застосовувати знання в практичних ситуаціях;
6. уміння приймати обґрунтовані рішення;
7. уміння проводити дослідження на відповідному рівні;
8. уміння думати абстрактно, аналізувати та синтезувати;
9. уміння розробляти та керувати проектами;
10. уміння працювати самостійно;
11. навички використання інформаційних та комунікативних технологій.
фахові компетентності спеціальності (ФК):
1. здатність застосовувати базові знання з фундаментальних наук: математики, фізики, електроніки для вирішення типових задач спеціальності;
2. здатність використовувати методології та технології проектування, застосування та супроводу програмного забезпечення, підтримка їхнього життєвого циклу;
3. здатність застосовувати знання математичних методів аналізу та синтезу складних об’єктів та систем із застосуванням сучасних методів інформаційних технологій;
4. здатність застосовувати знання методів збору, обробки, аналізу, систематизації та зберігання науково-технічної інформації;
5. здатність застосовувати знання сучасних методів та засобів розподілених систем, паралельних обчислень;
фахові компетентності спеціалізації (ФКС):
1. здатність формулювати нові гіпотези, шукати та візуалізувати приховані залежності даних, використовуючи методи штучного інтелекту;
2. здатність ефективно вибирати належні напрями і відповідні методи для розв’язування задач в області інформаційних технологій та штучного інтелекту;
3. здатність аналізувати неструктуровані дані, шукати залежності з використанням методів штучного інтелекту,
Результати навчання даної дисципліни деталізують такі програмні результати навчання:
1. здатність продемонструвати поглиблені знання принаймні в одній з областей інформаційних технологій;
2. здатність продемонструвати знання та навики щодо проведення експериментів, збору даних та моделювання у предметній області;
3. здатність продемонструвати знання та розуміння методологій проектування інформаційних систем;
4. здатність продемонструвати знання сучасного стану справ та новітніх технологій в галузі інформаційних технологій;
Результати навчання: 1. ефективно використовувати парадигми паралельного опрацювання даних, зокрема MapReduce та системи Apache Hadoop, Apache Spark, відповідні хмарні служби Amazon Web Services та IBM Bluemix; розгортати надійні та швидкі сховища для надвеликих обсягів даних; використовувати програмні бібліотеки та фреймворки з ефективними алгоритмами опрацювання надвеликих обсягів даних.
2. вміти аналізувати й ефективно застосовувати хмарні системи опрацювання великих даних.
3. уміння розробляти та керувати проектами.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Інтелектуальний аналіз даних
Системи штучного інтелекту
Розподілене та паралельне програмування
Машинне навчання
Обробка зображень методами штучного інтелекту
Хмарні технології
Короткий зміст навчальної програми: Дисципліна спрямована на вивчення і набуття уміння в сфері інженерії даних та знань в технологічних процесах розроблення і підтримки інтелектуальних інформаційних систем, які базуються на моделюванні великих даних.
В процесі навчання студенти набувають системних практичних навиків як в технологічній області, так і в області виробничо-дослідницької діяльності.
В результаті навчання студенти отримують сучасні знання, які необхідні для провадження інженерної та наукової діяльності в області інтелектуального аналізу великих даних, видобутку нових знань у наборах даних великої розмірності і створення прикладних інформаційних продуктів.
Опис: Великі дані (big data), наука про дані (data science) та аналіз даних (data analytics): математичне, алгоритмічне, апаратне та програмне забезпечення для розв'язання основних задач предметної області великих даних.
Аналіз та побудова систем для опрацювання великих даних.
Управління даними
Методи пошуку закономірностей. Візуалізація у великих даних і видобування закономірностей
Асоціативні правила
Аналіз великих даних на графах
Map-reduce
Методи класифікації, що паралеляться
Методи кластеризації, що паралеляться
NoSQL БД
Методи та критерії оцінювання:
1. Виконання лабораторних та практичних робіт та їх захист.
2. Написання контрольних робіт.
3. Написання розрахунково-графічної роботи
4. Екзамен.
Критерії оцінювання результатів навчання: Лабораторна робота, Практична робота, Розрахунково-графічна робота - 40 балів
Іспит, Усна компонента - 60 балів
Порядок та критерії виставляння балів та оцінок: 100-88 балів - атестований з оцінкою «відмінно» - Високий рівень: здобувач освіти демонструє поглиблене володіння поняттєвим та категорійним апаратом навчальної дисципліни, системні знання, вміння і навички їх практичного застосування. Освоєні знання, вміння і навички забезпечують можливість самостійного формулювання цілей та організації навчальної діяльності, пошуку та знаходження рішень у нестандартних, нетипових навчальних і професійних ситуаціях. Здобувач освіти демонструє здатність робити узагальнення на основі критичного аналізу фактичного матеріалу, ідей, теорій і концепцій, формулювати на їх основі висновки. Його діяльності ґрунтується на зацікавленості та мотивації до саморозвитку, неперервного професійного розвитку, самостійної науково-дослідної діяльності, що реалізується за підтримки та під керівництвом викладача. 87-71 балів - атестований з оцінкою «добре» - Достатній рівень: передбачає володіння поняттєвим та категорійним апаратом навчальної дисципліни на підвищеному рівні, усвідомлене використання знань, умінь і навичок з метою розкриття суті питання. Володіння частково-структурованим комплексом знань забезпечує можливість їх застосування у знайомих ситуаціях освітнього та професійного характеру. Усвідомлюючи специфіку задач та навчальних ситуацій, здобувач освіти демонструє здатність здійснювати пошук та вибір їх розв’язання за поданим зразком, аргументувати застосування певного способу розв’язання задачі. Його діяльності ґрунтується на зацікавленості та мотивації до саморозвитку, неперервного професійного розвитку. 70-50 балів - атестований з оцінкою «задовільно» - Задовільний рівень: окреслює володіння поняттєвим та категорійним апаратом навчальної дисципліни на середньому рівні, часткове усвідомлення навчальних і професійних задач, завдань і ситуацій, знання про способи розв’язання типових задач і завдань. Здобувач освіти демонструє середній рівень умінь і навичок застосування знань на практиці, а розв’язання задач потребує допомоги, опори на зразок. В основу навчальної діяльності покладено ситуативність та евристичність, домінування мотивів обов’язку, неусвідомлене застосування можливостей для саморозвитку. 49-00 балів - атестований з оцінкою «незадовільно» - Незадовільний рівень: свідчить про елементарне володіння поняттєвим та категорійним апаратом навчальної дисципліни, загальне уявлення про зміст навчального матеріалу, часткове використання знань, умінь і навичок. В основу навчальної діяльності покладено ситуативно-прагматичний інтерес.
Рекомендована література: 2. Квєтний Р. Н. Комп’ютерне моделювання систем та процесів. Методи обчислень. Частина 1: навчальний посібник / Р. Н. Квєтний, І. В. Богач, О. Р. Бойко, О. Ю. Софина, О.М. Шушура; за заг. ред. Р.Н. Квєтного. – Вінниця: ВНТУ, 2012. – 193 с.
3. Квєтний Р. Н. Методи фільтрації текстурованих зображень у задачах розпізнавання та класифікації / Р. Н. Квєтний, О. Ю. Софина. – Вінниця: УНІВЕРСУМ-Вінниця, 2011. – 119 с.
Уніфікований додаток: Національний університет «Львівська політехніка» забезпечує реалізацію права осіб з інвалідністю на здобуття вищої освіти. Інклюзивні освітні послуги надає Служба доступності до можливостей навчання «Без обмежень», метою діяльності якої є забезпечення постійного індивідуального супроводу навчального процесу студентів з інвалідністю та хронічними захворюваннями. Важливим інструментом імплементації інклюзивної освітньої політики в Університеті є Програма підвищення кваліфікації науково-педагогічних працівників та навчально-допоміжного персоналу у сфері соціальної інклюзії та інклюзивної освіти. Звертатися за адресою:
вул. Карпінського, 2/4, І-й н.к., кімн. 112
E-mail: nolimits@lpnu.ua
Websites: https://lpnu.ua/nolimits https://lpnu.ua/integration
Академічна доброчесність: Політика щодо академічної доброчесності учасників освітнього процесу формується на основі дотримання принципів академічної доброчесності з урахуванням норм «Положення про академічну доброчесність у Національному університеті «Львівська політехніка» (затверджене вченою радою університету від 20.06.2017 р., протокол № 35).