Дисципліна: Технології Data Science

Обсяг дисципліни, годин (кредитів ЄКТС): 180 (6).

Мета дисципліни: набуття студентами здатності синтезувати, верифікувати математичні моделі, розробляти спеціалізоване програмне забезпечення з обробки й аналізу даних різного типу й обсягу.

Завдання дисципліни:

Дисципліна призначена для набуття студентами здатності синтезувати, верифікувати математичні моделі, розробляти спеціалізоване програмне забезпечення з обробки й аналізу даних різного типу й обсягу. Це досягається вивченням теоретичних основ синтезу математичних моделей, методології вибору методів і алгоритмів обробки даних різного типу, верифікації отриманих результатів методами імітаційного моделювання, а також практичної реалізації обраних підходів з метою розробки спеціалізованих прикладних програм.

Результатом вивчення курсу є опанування знань, умінь та навичок, що потребують посади: Data Scientist, Data Engineer; Data Analyst – Risk Team тощо.

Попередні умови для вивчення даної дисципліни: Вища математика: Теорія ймовірності та математична статистика; Дискретна математика; Програмування, структури даних і алгоритми; Організація баз даних; Організація обчислювальних процесів.

Навчальні цілі дисципліни полягають у формуванні у студентів:

Інтегративної компетентності:

- Здатність особи розв’язувати складні задачі і проблеми у певній галузі професійної діяльності або у процесі навчання, що передбачає проведення досліджень та/або здійснення інновацій та характеризується невизначеністю умов і вимог.

загальних компетентностей:

- Здатність до абстрактного мислення, аналізу та синтезу;

- Здатність спілкуватися іноземною мовою як усно, так і письмово.

фахових компетентностей:

- Здатність розробляти і реалізовувати наукові та/або прикладні проєкти у сфері інженерії програмного забезпечення;

- Здатність проєктувати архітектуру програмного забезпечення, моделювати процеси функціонування окремих підсистем і модулів;

- Здатність розвивати і реалізовувати нові конкурентоспроможні ідеї в інженерії програмного забезпечення;

- Здатність розробляти, аналізувати та застосовувати специфікації, стандарти, правила і рекомендації у сфері інженерії програмного забезпечення;

- Здатність ефективно керувати фінансовими, людськими, технічними та іншими проєктними ресурсами у сфері інженерії програмного забезпечення.

Програмні результати навчання:

-  Оцінювати і вибирати ефективні методи і моделі розроблення, впровадження, супроводу програмного забезпечення та управління відповідними процесами на всіх етапах життєвого циклу.

В результаті вивчення дисципліни студент повинен

знати:

- методи, моделі й алгоритми прикладного статистичного аналізу даних, порядок їх застосування і властивості результатів (моделі даних; статистичний аналіз характеристик експериментальної вибірки; обробка аномальних вимірів; оцінювання, екстраполяція та інтерполяція трендовими моделями - рекурентне згладжування і згладжування накопиченої вибірки; побудова нелінійних моделей експериментальних даних із використанням диференціальних перетворень);

- багатокритеріальні методи прийняття рішень (багатокритеріальне оцінювання; багатокритеріальна ідентифікація; багатокритеріальний розподіл ресурсів; багатокритеріальний структурно-параметричний синтез систем);

- методи, моделі й алгоритми інтелектуального аналізу даних (технології: OLAP, Data Mining, Text Mining, Image Mining, Knowledge discovery, Speech and language recognition);

- порядок застосування методів, моделей і алгоритмів штучного інтелекту для технологій Data Science (штучні нейронні мережі; багатокритеріальні оптимізаційні нейронні мережі; методи, моделі й алгоритми самоорганізації та ситуативного аналізу);

- алгоритми та технології прогнозування динаміки змін фінансових та фондових ринків (за статистичними й альтернативними моделями);

- алгоритми та технології визначення кредитних ризиків для банківських CRM-систем (скорингові та багатокритеріальні моделі);

- алгоритми ідентифікації поточних ситуацій для виробничих CRM-систем і об’єктів критичної інфраструктури (технології багатофакторного аналізу та Computer Vision).

вміти:

- застосовувати методи, моделі й алгоритми прикладного статистичного аналізу даних та реалізовувати їх у формі прикладного програмного забезпечення;

- застосовувати багатокритеріальні методи прийняття рішень та реалізовувати їх у формі прикладного програмного забезпечення;

- застосовувати методи, моделі й алгоритми інтелектуального аналізу даних та реалізовувати їх у формі прикладного програмного забезпечення;

- застосовувати методи, моделі й алгоритми штучного інтелекту для технологій Data Science та реалізовувати їх у формі прикладного програмного забезпечення;

- застосовувати алгоритми та технології прогнозування динаміки змін фінансових та фондових ринків та реалізовувати їх у формі прикладного програмного забезпечення;

- застосовувати алгоритми та технології визначення кредитних ризиків для банківських CRM-систем та реалізовувати їх у формі прикладного програмного забезпечення;

- застосовувати алгоритми ідентифікації поточних ситуацій для виробничих CRM-систем і об’єктів критичної інфраструктури (технології багатофакторного аналізу та Computer Vision) та реалізовувати їх у формі прикладного програмного забезпечення.

Зміст дисципліни:

Змістовний модуль 1.

Тема 1. Прикладний статистичний аналіз даних.

Тема 2. Багатокритеріальні методи прийняття рішень.

Тема 3. Інтелектуальний аналіз даних.

Тема 4. Застосування штучного інтелекту для технологій Data Science.

Змістовний модуль 2.

Тема 5. Алгоритми та технології прогнозування динаміки змін фінансових та фондових ринків.

Тема 6. Алгоритми та технології визначення кредитних ризиків для банківських CRM-систем.

Тема 7. Алгоритми ідентифікації поточних ситуацій для виробничих CRM-систем і об’єктів критичної інфраструктури.

Види робіт: лекційні заняття, практичні заняття, модульні контрольні роботи, самостійна робота студентів.

Форма підсумкового контролю: залік.