Інтелектуальний аналіз даних
Спеціальність: Адміністрування систем кібербезпеки
Код дисципліни: 7.125.04.O.001
Кількість кредитів: 4.00
Кафедра: Захист інформації
Лектор: Хома В.
Семестр: 1 семестр
Форма навчання: денна
Завдання: КЗ 5. Здатність спілкуватися з представниками інших професійних груп різного рівня (з експертами з інших галузей знань / видів економічної діяльності)
Результати навчання: РН 1. Вільно спілкуватись державною та іноземною мовами, усно і письмово для представлення і обговорення результатів досліджень та інновацій, забезпечення бізнес\операційних процесів та питань професійної діяльності в галузі інформаційної безпеки та/або кібербезпеки.
РН 5. Критично осмислювати проблеми інформаційної безпеки та/або кібербезпеки, у тому числі на міжгалузевому та міждисциплінарному рівні, зокрема на основі розуміння нових результатів інженерних і фізико-математичних наук, а також розвитку технологій створення та використання спеціалізованого програмного забезпечення
РН14. Аналізувати, розробляти і супро¬воджувати систему аудиту та моніторин¬гу ефективності функціонування інформаційних систем і технологій, бізнес\операційних процесів у сфері інформаційної та\або кібербезпеки в цілому.
РН 16. Приймати обґрунтовані рішення з організаційно-технічних питань інформа¬ційної безпеки та/або кібербезпеки у складних і непередбачуваних умовах, у тому числі із застосуванням сучасних методів та засобів оптимізації, прогнозування та прийняття рішень.
РН 20. Ставити та вирішувати складні інженерно-прикладні та наукові задачі інформаційної безпеки та/або кібербезпеки з урахуванням вимог вітчизняних та світових стандартів та кращих практик.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Комп’ютерні методи високорівневого проектування пристроїв захисту
Системи безпеки інтелектуальних об’єктів
Короткий зміст навчальної програми: Дисципліна присвячена принципам, моделям і методам інтелектуального аналізу даних, які можуть бути використані для вирішення широкого кола завдань в різних областях науки і техніки. Дисципліна виникла і розвивається на базі таких наук як прикладна статистика, машинне навчання, теорія баз даних та ін.
Опис: Зміст та завдання дисципліни. Сутність інтелектуального аналізу даних (ІАД), області та вирішувані завдання.
Основні поняття у галузі інтелектуального аналізу даних. Дані, інформація знання. Типи, формати подання і атрибути даних. Data Mining і Big Data.
Статистичні методи аналізу даних. Первинне працювання результатів. Описова статистика. Статистичні параметри і оцінки моментів розподілу різного порядку. Метод Монте-Карло
Кореляційний і регресійний аналіз. Корреляційний аналіз двох і багатьох змінних. Регресійний аналіз. Метод найменших квадратів. Метод опорних векторів.
Принципи інтелектуального аналізу даних. Етапи інтелектуального аналізу даних. Підготовка та первинна обробка даних. Основні задачі ІОД: класифікація, кластеризація, асоціація, прогнозування, оцінювання.
Вирішення задачі класифікації. Постановка задачі класифікації та представлення результатів. Методи побудови правил класифікації. Застосування дерев рішень, методів опорних векторів, «найближчого сусіда», наївного Байеса. Оцінювання помилок класифікації.
Вирішення задачі кластеризації. Формальна постановка задачі кластеризації. Види кластерів. Представ¬лення результатів. Базові алгоритми кластеризації. Міри близькості, засновані на відстанях. Оцінка якості кластеризації.
Вирішення задачі асоціації. Постановка задачі асоціації. Шаблони і зразки. Характеристика асоціативних правил. Методи пошуку асоціативних правил.
Вирішення задачі прогнозування. Постановка задачі прогнозування. Порівняння задач прогнозування і класифікації. Прогнозування і часові ряди.
Нейронні мережі та алгоритми їх навчання. Однонарямні і багатошарові нейронні мережі. Модель нейронної мережі зі зворотним поширенням помилки (back propagation).
Використання машинного навчання для обробки природної мови.
Зміст і етапи оброблення природної мови. Класифікація тексту, екстракція тексту, автоматичне розпізнавання тексту та дикторів, машинний переклад, генерування природної мови.
Методи та критерії оцінювання: Поточний контроль на аудиторних заняттях проводиться з метою:
• виявлення рівня знань студентів перед початком занять;
• поточної перевірки засвоєння кожної теми, що вивчається;
• оцінювання активності студента у процесі виконання лабораторних робіт;
• перевірки виконання та змісту звітів із лабораторних робіт;
• перевірки контрольних робіт.
Підсумковий контроль здійснюється за результатами тестового контролю та усного опитування.
Критерії оцінювання результатів навчання: Виконання лабораторних робіт та захист звітів:
- ДФН (35)
- ЗФН (21)
Виконання контрольних робіт:
- ДФН (15)
- ЗФН (29)
Підсумковий семестровий контроль засвоєння теоретичного курсу (45 балів письмова і 5 балів усна компоненти)
Порядок та критерії виставляння балів та оцінок: 100–88 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу компонента, що міститься в основних і додаткових рекомендованих літературних джерелах, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач; 87–71 бал – («добре») виставляється за загалом правильне розуміння навчального матеріалу компонента, включаючи розрахунки , аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач; 70 – 50 балів – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач; 49–26 балів – («не атестований» з можливістю повторного складання семестрового контролю) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач; 25–00 балів – («незадовільно» з обов’язковим повторним вивченням) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Рекомендована література: 1. Основи теорії і практики інтелектуального аналізу даних у сфері кібербезпеки : навчальний посібник / Д. В. Ланде, І. Ю. Субач, Ю. Є. Бояринова. – К. : ІСЗЗІ КПІ ім. Ігоря Сікорського, 2018. – 297 с.
2. Інтелектуальний аналіз даних. Частина 1 / М.В. Талах, В.В. Дворжак – Чернівці: Технодрук, 2022. – 367 с
3. Wes McKinney. Python for Data Analysis, 3rd Edition. O'Reilly Media, 2022, 579 p.
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).