Візуалізація даних
Спеціальність: Системи штучного інтелекту
Код дисципліни: 7.122.04.E.021
Кількість кредитів: 5.00
Кафедра: Системи штучного інтелекту
Лектор: Бойко Наталія Іванівна
Семестр: 2 семестр
Форма навчання: денна
Завдання: Вивчення навчальної дисципліни передбачає формування у здобувачів освіти 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. уміння спілкуватися другою мовою.
2. здатність навчатися.
3. уміння спілкуватися усно та в письмовій формі українською мовою.
4. здатність здійснювати пошук та аналізувати інформацію з різних джерел;
5. уміння ідентифікувати, формулювати та розв’язувати задачі;
6. уміння застосовувати знання в практичних ситуаціях;
7. уміння приймати обґрунтовані рішення;
8. уміння проводити дослідження на відповідному рівні;
9. уміння працювати в команді;
10. знання та розуміння предметної області та розуміння фаху;
11. уміння думати абстрактно, аналізувати та синтезувати;
12. уміння розробляти та керувати проектами;
13. уміння працювати самостійно.
фахові компетентності спеціальності (ФК):
1. здатність гнучкого способу мислення, який дає можливість зрозуміти й розв’язати проблеми та задачі, зберігаючи при цьому критичне відношення до усталених наукових концепцій;
2. здатність використовувати поглиблені теоретичні та фундаментальні знання в галузі штучного інтелекту для розроблення складних систем;
3. здатність будувати відповідні моделі складних систем, досліджувати їх для побудови проектів інформаційних систем;
4. здатність формулювати (роблячи презентації, або представляючи звіти) нові гіпотези та наукові задачі в області штучного інтелекту та опрацювання природної мови, вибирати належні напрями і відповідні методи для їхнього розв’язування;
фахові компетентності спеціалізації (ФКС):
1. здатність ефективно використовувати методи глибинного навчання для прикладних задач;
2. здатність на основі математичних моделей і методів штучного інтелекту здійснювати проектування та параметризацію компонентів інтелектуальної інформаційної системи;
3. здатність формувати вимоги до розроблення інтелектуальних систем;
4. здатність зорієнтуватися на рівні спеціаліста в певній вузькій області систем штучного інтелекту, яка лежить поза межами вибраної спеціалізації;
5. здатність ефективно проводити системний аналіз, здійснювати вибір концептуальної моделі середовища інформаційної системи на основі математичних моделей і методів штучного інтелекту, параметризацію компонентів інтелектуальної інформаційної системи;
6. здатність бути лідером розроблення та виконання проекту інтелектуальної інформаційної системи
Результати навчання: Результати навчання знання (ЗН):
1. Здатність формулювати та вдосконалювати важливу дослідницьку задачу, для її вирішення збирати необхідну інформацію та формулювати висновки, які можна захищати в науковому контексті.
2. Здатність використовувати професійно-профільні знання і практичні навички для оптимізації проектування інформаційних систем будь-якої складності, для вирішення конкретних завдань проектування інтелектуальних інформаційних систем з керування об'єктами різної фізичної природи.
3. Здатність здійснювати ефективну комунікативну діяльність роботи команди зі розроблення проекту інформаційної системи.
4. Здатність працювати з експертними та текстологічними джерелами інформації для інтеграції даних і знань в області діяльності організації за допомогою методів набуття знань, подання знань, класифікації і компіляції знань.
уміння (УМ):
1. Здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою алгоритмічного та програмного забезпечення, використовуючи машинне навчання, штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації, метод індуктивного моделювання та математичний апарат нечіткої логіки.
2. Здатність розробляти математичні моделі і алгоритми розпізнавання образів і класифікації об’єктів в інтелектуальних системах прийняття рішень в умовах проектування систем розпізнавання образів за допомогою відповідного математичного забезпечення, використовуючи процедури формального уявлення про систему.
3. Здатність володіти навиками розроблення функціонального середовища відкритих систем, інтерфейсів прикладного програмування, прикладних програм і додатків з властивостями: розширюваності, масштабованості, інтероперабельності, здатності до інтеграції, готовності і надійності системи.
комунікація (КОМ):
1. уміння спілкуватись, включаючи усну та письмову комунікацію українською та іноземною мовами (англійською, німецькою, італійською, французькою, іспанською).
2. здатність використання різноманітних методів, зокрема сучасних інформаційних технологій, для ефективно спілкування на професійному та соціальному рівнях.
автономія і відповідальність (АіВ):
1. здатність адаптуватись до нових ситуацій та приймати відповідні рішення.
2. здатність усвідомлювати необхідність навчання впродовж усього життя з метою поглиблення набутих та здобуття нових фахових знань.
3. здатність відповідально ставитись до виконуваної роботи, самостійно приймати рішення, досягати поставленої мети з дотриманням вимог професійної етики.
Методи навчання і викладання:
• Виконання лабораторних робіт та їх захист.
• Написання контрольних робіт.
• Написання розрахунково-графічної роботи
Методи оцінювання рівня досягнення результатів навчання:
• Оцінювання лабораторних робіт.
• Оцінювання розрахунково-графічних робіт.
• Тестування.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Попередні навчальні дисципліни:
Інтелектуальний аналіз даних
Машинне навчання
Супутні і наступні навчальні дисципліни:
Видобування великих даних
Семантичний аналіз даних
Короткий зміст навчальної програми: Навчальна дисципліна Візуалізація даних кваліфікаційного рівня “магістр” забезпечить студентам здобуття поглиблених теоретичних та практичних знань, умінь та розуміння, що відносяться до областей систем штучного інтелекту, що дасть їм можливість ефективно виконувати завдання інноваційного характеру відповідного рівня професійної діяльності, яка орієнтована на дослідження й розв’язання складних задач проектування та розроблення інформаційних систем для задоволення потреб науки, бізнесу та підприємств у різних галузях.
Опис: 1 ВСТУП
Мета, завдання та зміст курсу. Основні концепції та підходи щодо інтелектуального аналізу даних і процесів їх візуалізації. Зв’язок дисципліни з іншими предметами, пов’язаними з вивченням технологій візуального аналізу даних.
2 Системи підтримки рішень і концепція сховища даних
Основні задачі, які розв’язуються системами підтримки прийняття рішень (СППР). Загальна архітектура СППР. Підходи до реалізації баз даних (БД), які використовуються в СППР. OLTP-системи. Концепція сховищ даних (СД). Структури СППР з різними типами СД. Організація даних в СД. Методи очищення даних в СД. Висновки щодо організації СППР та СД.
3 OLAP-системи
Визначення OLAP-системи і моделі даних, які використовуються в OLAP-системах. Вимагання до OLAP-систем. Різновиди OLAP-систем. Висновки щодо переваг та недоліків різновидів архітектур OLAP-систем.
4 Інтелектуальний аналіз даних та процесів в адаптивних системах
Задачі, які розв’язуються методами інтелектуального аналізу даних та процесів. Моделі, які використовуються в технологіях інтелектуального аналізу даних та процесів. Методи побудови моделей інтелектуального аналізу даних та процесів. Програмні продукти інтелектуального аналізу даних та процесів.
5 Методи класифікації і регресії на побудові математичних функцій
Загальний аналіз методів класифікації і регресії. Задача індуктивного навчання. Методи побудови класифікаційних правил. 1R-алгоритм. Метод Naіve Bayes. Загальна постановка задачі побудови математичних функцій. Лінійні та нелінійні методи. Машини векторів підтримки (Support Vector Machines, SVM). Способи покращення властивостей методів класифікацій і регресії. Прогнозування часових рядів.
6 Індуктивний логічний висновок з використанням дерев розв’язань
Визначення дерева розв’язань. Властивості дерева розв’язань, побудова скороченого дерева розв’язань. Побудова дерева розв’язань зверху униз за допомогою алгоритму ID3. Вибір властивостей (ключових атрибутів) в алгоритмі добудови дерева розв’язань ID3. Проблеми обробки даних для побудови дерева розв’язань. Алгоритм покриття.
7 Кластеризація даних
Постановка задачі кластерного аналізу. Представлення результатів кластерного аналізу. Класифікація алгоритмів кластеризації. Ієрархічні алгоритми: агломеративні та дивізимні алгоритми кластеризації. Неієрархічні алгоритми кластеризації: алгоритми k-means та Fuzzy C-Means. Принципи побудови адаптивних алгоритмів кластеризації. Висновки щодо переваг та недоліків різних алгоритмів кластеризації.
8 Візуальний аналіз даних та процесів. Аналіз текстових даних
Задачі та загальні принципи візуального аналізу даних і процесів. Характеристика програмних засобів візуалізації даних та процесів: методи геометричних перетворень, методи, які спираються на відображення «іконок», методи, які спираються на пікселі. Ієрархічні образи. Суть та етапи розв’язання задачі аналізу текстових даних. Класифікація текстових документів. Методи кластеризації текстових документів. Розв’язання задачі анотування текстів. Засоби аналізу текстової інформації: Oracle Text, Intelligent Miner for Text, Text Miner, TextAnalyst.
Методи та критерії оцінювання: 1. Виконання лабораторних робіт та їх захист.
2. Написання контрольних робіт.
3. Написання розрахунково-графічної роботи
4. Екзамен.
Критерії оцінювання результатів навчання: - поточний контроль (40%): письмові звіти з лабораторних робіт, виконання практичних завдань, усне опитування;
- підсумковий контроль (60%, екзамен): тестування (50%), усна компонента (10%).
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. Савченко, Д. В. Основи обробки та візуалізації фізичних даних в програмному середовищі OriginPro 8. Комп’ютерний практикум [Електронний ресурс] : навч. посіб. для здобувачів ступеня бакалавра за освітньою програмою «Комп’ютерне моделювання фізичних процесів» за спеціальністю 104 «Фізика та астрономія / Д. В. Савченко. – Київ : КПІ ім. Ігоря Сікорського, 2021. – 111 с.
2. Інфографіка: навчальний посібник / упорядник Гудіма О. В. – Чернівці, Чернівецький національний університет, 2017. – 107 с .
3. Горват А.А., Молнар О.О., Мінькович В.В. Обробка, візуалізація та аналіз експериментальних даних з використанням пакету Origin: Навчальний посібник. – Ужгород: Видавництво УжНУ “ Говерла”, 2020. – 64 с.
4. Ашанін В.С., Пасько В.В. Обробка та візуалізація даних наукових досліджень. Навчальний посібник. Частина 1. Харків : ХДАФК, 2020, 132 с.
5. Chen C. Handbook of Data VisualizaOon / C. Chen, W. Hardle, A. Unwin. – Berlin Heidelberg: Springer-Verlag, 2008. – 936 с.
6. 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.
7. Квєтний Р. Н. Методи фільтрації текстурованих зображень у задачах розпізнавання та класифікації / Р. Н. Квєтний, О. Ю. Софина. – Вінниця: УНІВЕРСУМ-Вінниця, 2011. – 119 с.
8. Любчак, В.О. Методи та алгоритми обчислень [Текст] : навч. посіб. / В.О. Любчак, Л.Д. Назаренко. – Суми : СумДУ, 2008. – 313 с.
9. Матвійчук Я.М. Методи та алгоритми обчислень на ЕОМ : навч. посібник / Я.М. Матвійчук. – Львів: Ліга-Прес, 2008. – 84 с.
10. Фельдман Л. П. Чисельні методи в інформатиці : підручник / Л. П. Фельдман, М. З. Згуровського, Л. П. Фельдман, А. І. Петренко, О. А. Дмитрієва. – К.: Вид. група BHV, 2006. – 480 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).