Інтелектуальні системи аналізу соціально-економічної інформації (F3 “Комп’ютерні науки”, ОПП “Консолідована інформація”)

Тип: Нормативний

Кафедра: інформаційних систем у менеджменті

Навчальний план

СеместрКредитиЗвітність
104Іспит

Лекції

СеместрК-сть годинЛекторГрупа(и)
1016доцент Прийма С. С.,

Лабораторні

СеместрК-сть годинГрупаВикладач(і)
1032доцент Прийма С. С.

Опис курсу

Дисципліна “Інтелектуальні системи аналізу соціально-економічної інформації” є нормативною дисципліною для освітньої-професійної програми, яка викладається у 2-му семестрі в обсязі 4 кредитів (за Європейською Кредитно-Трансферною Системою ECTS)

Дисципліна орієнтована на підготовку фахівців, здатних перетворювати сирі соціально-економічні дані на стратегічні інсайти для бізнесу та державного управління за допомогою штучного інтелекту й сучасного програмного забезпечення.

В рамках курсу розглядаються концептуальні основи інтелектуальних систем, методологія збору, обробки та візуалізації соціально-економічної інформації за допомогою MS Excel та Power BI. Значна увага приділяється практичній реалізації ключових завдань інтелектуального аналізу даних (класифікація, регресійний аналіз, кластеризація, пошук асоціативних правил), застосуванню апарату нечіткої логіки, базових концепцій нейронних мереж, а також інструментарію мови програмування Python для аналізу та прогнозування розвитку соціально-економічних процесів.

Після завершення курсу студент повинен:

знати:

  • теоретичні засади комп’ютерних наук та сучасні наукові здобутки у сфері інтелектуального аналізу даних, штучного інтелекту та інженерії знань;
  • методологію та концептуальні основи консолідації інформації в економіці, підприємництві та управлінні;
  • принципи та методи формалізації предметної області і побудови концептуальних, математичних та інформаційних моделей складних соціально-економічних процесів;
  • архітектурні рішення інформаційних та комп’ютерних систем штучного інтелекту, а також сучасні методи збору, систематизації та аналізу даних (включно з великими даними) в умовах мінливого ринкового середовища;
  • математичний апарат нечіткої логіки, базові концепції нейронних мереж та алгоритми машинного навчання, що застосовуються для прогнозування та автоматизації інформаційно-аналітичної діяльності.

вміти:

  • застосовувати отримані знання в практичних ситуаціях для інформаційно-аналітичного обслуговування процесу прийняття управлінських рішень та обґрунтування оптимізації бізнес-процесів;
  • збирати, формалізувати, систематизувати й аналізувати дані та вимоги до інформаційно-аналітичних систем в умовах конкурентного ринкового середовища;
  • розробляти алгоритмічне та програмне забезпечення для інтелектуального аналізу даних, створювати та впроваджувати алгоритми розв’язування задач, оцінювати їх ефективність та обмеження;
  • практично використовувати засоби Business Intelligence (Power BI, Excel) та інструментарій Python для проєктування архітектури аналітичних рішень, адміністрування баз/сховищ даних та інтелектуального аналізу;
  • розробляти звіти бізнес-аналітики, аналітичні звіти, дайджести та іншу типову документацію інформаційно-аналітичних систем українською мовою;
  • проводити дослідження у сфері комп’ютерних наук, генерувати нові ідеї, демонструвати здатність до абстрактного мислення, аналізу й синтезу, а також зрозуміло доносити власні висновки й аргументацію до фахівців і нефахівців;
  • виявляти потреби замовників щодо автоматизації обробки інформації, тестувати програмне забезпечення та планувати процеси системної інтеграції і супроводу розроблених систем.

Рекомендована література

Основна література: 

  1. Прийма С.С. Тексти лекцій. URL:https://lnueduua.sharepoint.com/:f:/s/-_ssfesr/IgC_BrkICI1TQImFchmjDXJEAZpYFob78VVxotj21A6CHIk?e=QykRua
  2. Вдовиченко І.Н., Хоцкіна В.Б. Інтелектуальні системи: Навчальний посібник. Кривий Ріг: Державний університет, економіки і технологій, 2023.
  3. Microsoft Learn: Power BI Documentation — Офіційний навчальний портал Microsoft. URL: https://learn.microsoft.com/en-us/power-bi/
  1. Литвин В.В., Басюк Т.М. Машинне навчання Новий світ-2000, 2024.
  1. Power BI Training Guide. Strategic Plan and Dashboard/ URL: https://files.nc.gov/ncosbm/PowerBI_Dashboards_TrainingManual.pdf
  1. The Weka Workbench URL:https://ml.cms.waikato.ac.nz/weka/
  1. McKinney, W. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter. 3rd Edition. — O’Reilly Media, 2022

Додаткова література: 

  1. Методи та системи штучного інтелекту: навч. посіб. / укл. Д.В. Лубко, С.В. Шаров. – Мелітополь: ФОП Однорог Т.В., 2019. – 264 с.
  2. Бахрушин В.Є. Методи аналізу даних. Навчальний посібник для студентів. – Запоріжжя : КПУ, 2011. – 268с.
  3. Wayne Winston. Microsoft Excel 2019 Data Analysis and Business Modeling, 6th Edition URL: https://api.pageplace.de/preview/DT0400.9781509306077_A37186190/preview-9781509306077_A37186190.pdf
  4. Ferrari, A., & Russo, M. Introducing Microsoft Power BI. Copyright, 2016 by Microsoft Corporation
  5. Dan Clark Beginning Microsoft Power BI. A Practical Guide to Self-Service Data Analytics. Camp Hill, PA, USA, 2020.
  6. Provost, F., & Fawcett, T. Data Science для бізнесу. Як збирати, аналізувати та використовувати дані.  К.: Наш Формат, 2019.
  7. Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python. Published by O’Reilly Media, Inc.2016
  1. 10 must-have бібліотек Python для Data Science URL: https://goit.global/ua/articles/biblioteky-python-dlia-data-science/
  2. Scikit-learn: Machine Learning in Python — Документація до ключової бібліотеки машинного навчання для Python. URL: https://scikit-learn.org/
  3. Kaggle — Платформа для дослідників даних з реальними соціально-економічними датасетами для практичних завдань. URL: https://www.kaggle.com/

Силабус:

Завантажити силабус