107 – Наука про дані
Serhii Holub
Анотація

Шановний читачу,

ти є студент який обрав спеціальність не пов’язану з ІТ. Для того, щоб набути конкурентних переваг у галузі, якій ти є професіоналом, ми навчимо тебе користуватися цифровими інструментами. Data Science (наука про дані) - є одним із таких інструментів. На сьогодні на ринку праці у кожної галузі є гостра потреба у фахівцях, які розбираються у своїй професії та вміють працювати з даними. Потрібно вміти збирати, обробляти та вивчати дані, видобувати з них інформацію та знання, які допоможуть ухвалювати бізнес-рішення, будувати стратегії чи робити висновки щодо розвитку подій.

Ти навчишся користуватися уже існуючими програмними системами. Це цікаво, коли вчишся і за це дорого платять, коли вмієш. Починаємо!

Цілі

Створити умови для підвищення конкурентних переваг на ринку праці студентам, які освоюють спеціальності, не пов’язані з ІТ, шляхом засвоєння ними практичних навичок і теоретичних знань із обробки даних. Студенти вчаться проводити первинну обробку, збереження та перетворення результатів спостережень; погоджувати із замовником вимоги до вигляду успішно виконаного завдання; класифікувати свої завдання; виконувати ці завдання шляхом розв’язку послідовності типових задач із інтелектуального аналізу даних за допомогою машинного навчання нейромереж та інших синтезаторів моделей. За умови сумлінного навчання, студент вмітиме видобувати інформацію та знання із результатів спостережень

Ключові слова
Інтелектуальний аналіз даних, машинне навчання, інтелектуальні комп’ютерні системи, класифікація, кластеризація, розпізнавання образів, синтезатори моделей, нейронні мережі, бази даних, бібліотеки алгоритмів, Python
Дата створення
29.05.2024
Тривалість
180 годин
Мова
Українська
Ліцензія
Creative Commons BY-SA 4.0
Література
  1. "Introduction to Data Mining" - Pang-Ning Tan, Michael Steinbach, Vipin Kumar
  1. "Data Mining: Concepts and Techniques" - Jiawei Han, Micheline Kamber, Jian Pei
  1. "Data Mining: Practical Machine Learning Tools and Techniques" - Ian H. Witten, Eibe Frank, Mark A. Hall
  1. "Pattern Recognition and Machine Learning" - Christopher M. Bishop
  1. "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" - Trevor Hastie, Robert Tibshirani, Jerome Friedman
  1. Holub S.V., Tolbatov D.V. Metod syntezu bahatosharovoyi modeli monitorynhovoho prohramnoho ahenta. Matematychni mashyny i systemy. 2023. № 1. S. 101–111
  1. https://en.wikipedia.org/wiki/Machine_learning#cite_note-1 [online] [quoted on 2024-07-02].
  1. https://www.ibm.com/topics/machine-learning [online] [quoted on 2024-07-02].
  1. https://en.wikipedia.org/wiki/Data_science [online] [quoted on 2024-07-14].
  1. https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12 [online] [quoted on 2024-07-02].
  1. https://ischoolonline.berkeley.edu/blog/what-is-machine-learning/ [online] [quoted on 2024-07-14].
  1. https://www.intel.com/content/www/us/en/artificial-intelligence/classical-machine-learning.html [online] [quoted on 2024-07-02].
  1. https://medium.com/swlh/classical-machine-learning-7efc6674fca1 [online] [quoted on 2024-07-02].
  1. wikinn Нейронна мережа - Вікіпедія https://en.wikipedia.org/wiki/Neural_network [online] [цит. 2024-07-15]. [Ukraine]
  1. https://towardsdatascience.com/optimizers-for-training-neural-network-59450d71caf6 [online] [quoted on 2024-07-17].
  1. https://medium.com/@bdacc_club/genetic-algorithms-in-machine-learning-f73e18ab0bf9 [online] [цит. 2024-07-17].
  1. Guillot C. Statistiques Descriptives [Electronic resource] / C. Guillot. – Courbevoie : Pôle Universitaire Léonard de Vinci, 2016. – 17 p. – Access mode: http://www.mghassany.com/documents/stat-desc-fall-16-17.pdf.
  1. Mazerolle F. Statistique descriptive [Electronic resource] / F. Mazerolle. – Paris : Gualino éditeur, 2006. – 173 p. – Access mode : https://epdf.pub/statistique-descriptive-serie-statistique-a-une-et-deux-variablesseries-chronol.html.
  1. https :// web . possible​ vntu . edu . ua / fksa /12 kocubynsky , kyslycia _ osn _ model _ rynk _ sytuac / p 4. html [Ukraine]
  1. https://lib.chmnu.edu.ua/pdf/posibnuku/299/8.pdf [Ukraine]
  1. Prysenko G. V., Ravikovich E. I. Forecasting social and economic processes : Teaching. help ​— K.: KNEU, 2005. — 378 p. [Ukraine]
  1. TOPIC 5 Econometric models dynamics. [ Electronic resource]. Access mode: https://lib.chmnu.edu.ua/pdf/posibnuku/299/8.pdf [Ukraine]
  1. Lecture 3. Time series trend [ Electronic resource]. Access mode: https:// moodle.znu​.edu.ua/pluginfile. php /880845/ mod _ resource / content /1/Lecture%203.%20Trend%20time%20series. Pdf [Ukraine]
  1. https://www.python.org/
  1. https://docs.python.org/3.14/reference/index.html
  1. https://colab.google/
  1. https://wiki.python.org/moin/BeginnersGuide
  1. https://docs.python.org/3.14/reference/lexical_analysis.html
  1. https://docs.python.org/3.14/reference/datamodel.html
  1. https://numpy.org/
  1. https://numpy.org/numpy-tutorials/features.html
  1. https://numpy.org/learn/
  1. https://numpy.org/devdocs/user/quickstart.html
  1. https://numpy.org/numpy-tutorials/
  1. https://web.mit.edu/dvp/Public/numpybook.pdf
  1. https://numpy.org/doc/stable/user/basics.ufuncs.html#ufuncs-basics
  1. https://pandas.pydata.org/
  1. https://pandas.pydata.org/docs/user_guide/index.html
  1. https://pandas.pydata.org/docs/user_guide/10min.html#min
  1. https://pandas.pydata.org/docs/user_guide/dsintro.html#dsintro
  1. https://pandas.pydata.org/docs/user_guide/basics.html#basics
  1. https://pandas.pydata.org/docs/reference/index.html#api
  1. https://pytorch.org/docs/stable/index.html
  1. Chernyak O. I., Zakharchenko P. V. Intellectual data analysis: Textbook. Kyiv, 2014. [Ukraine]
  1. Gladun A. Ya., Rogushina Yu. V. Data Mining: searching for knowledge in data. Kyiv: LLC "VD "ADEF-Ukraine"", 2016. 452 p. [Ukraine]