Учебно-методический комплекс дисциплины обсужден на заседании кафедры компьютерных систем «03»

Направление — 230700.68, Прикладная информатика

1. 
   Основные положения концепции хранилищ данных.
   
2. 
   Многомерное представление данных. Правила Кодда, определяющие OLAP-системы.
   
3. 
   Практическое применение алгоритмов Data mining.
   
4. 
   Классификация с несколькими независимыми переменными методом Naïve Bayes.
   
5. 
   Поиск оптимальной функции методом наименьших квадратов.
   
6. 
   Сиквенциальный анализ.
   
7. 
   Меры близости, основанные на расстояниях, используемые в алгоритмах кластеризации.
   
8. 
   Кластеризация данных при помощи нечетких отношений.
   
9. 
   Стандарты Data mining. Характеристика стандартов CWM и PMLL.
   
10. 
    Библиотеки доступа к алгоритмам Data mining. Характеристика библиотеки Xelopes.
    
11. 
    Характеристика программных инструментов для выполнения интеллектуального анализа данных.
    
12. 
    Характеристика OLTP-систем.
    
13. 
    Предпосылки появления и разновидности систем поддержки принятия решений.
    
14. 
    Характеристика реляционных хранилищ данных.
    
15. 
    Характеристика многомерных хранилищ данных.
    
16. 
    Характеристика гибридных хранилищ данных.
    
17. 
    Характеристика виртуальных хранилищ данных.
    
18. 
    Технологии и методы оценки качества данных. Профайлинг.
    
19. 
    Типичный набор инструментов предобработки данных в аналитическом приложении.
    
20. 
    Алгоритмы и методы сокращения числа признаков.
    
21. 
    Общая характеристика и классификация методов кластерного анализа данных.
    
22. 
    Анализ данных с использованием методов классификации и регрессии.
    
23. 
    Цели, задачи и принципы построения деревьев решений. Общая характеристика алгоритмов построения деревьев решений.
    
24. 
    Сферы применения деревьев решений.
    
25. 
    Цели, задачи и принципы работы нейронных сетей.
    
26. 
    Алгоритмы обучения нейронных сетей.
    
27. 
    Цели, задачи, принципы и модели прогнозирования.
    
28. 
    Трансформация данных на разных этапах аналитического процесса. Типичные средства трансформации.
    
29. 
    Характеристика классов задач, решаемых методами Data Mining.
    
30. 
    Характеристика технологии Knowledge Discovery in Databases (KDD).
    

1. 
   Анализ данных с использованием алгоритмов кластеризации.
   
2. 
   Кластеризация данных с помощью нечетких отношений.
   
3. 
   Практическое применение методов классификации и регрессии.
   
4. 
   Метрики, применяемые в Data mining.
   
5. 
   Практическое применение иерархических и неиерархических методов кластерного анализа данных.
   
6. 
   Основные стандарты Data mining.
   
7. 
   Направления использования эволюционных алгоритмов анализа данных.
   
8. 
   Анализ данных с использованием генетических алгоритмов.
   
9. 
   Применение методов Data mining для решения практических задач.
   
10. 
    Технология Knowledge Discovery in Databases (KDD).
    
11. 
    Характеристики промышленных инструментальных средств Data mining.
    
12. 
    Практическое применение OLTP-систем и систем поддержки принятия решений (СППР).
    
13. 
    Использование реляционной модели построения хранилищ данных (ROLAP).
    
14. 
    Использование многомерного подхода в построении хранилищ данных (MOLAP).
    
15. 
    Использование гибридных (HOLAP) и виртуальных хранилищ данных.
    
16. 
    Извлечение и преобразование данных в ходе ETL-процесса.
    
17. 
    Технологии и методы оценки качества, очистки и предобработки анализируемых данных.
    
18. 
    Алгоритмы и методы сокращения размерности исходного множества анализируемых данных.
    
19. 
    Технология практического применения сэмплинга (sampling).
    
20. 
    Сущность и направления использования аффинитивного анализа данных.
    
21. 
    Подходы к решению задач поиска ассоциативных правил.
    
22. 
    Применение методики поиска ассоциативных правил в торговле, медицине и управлении.
    
23. 
    Анализ данных с использованием сети Кохонена (Kohonen network).
    
24. 
    Анализ данных с использованием самоорганизующихся карт Кохонена (Self organizing map).
    
25. 
    Технология анализа данных с применением регрессионных моделей.
    
26. 
    Технология построение и оценка значимости простой регрессионной модели.
    
27. 
    Подходы к оценке соответствия простой линейной регрессии реальным данным.
    
28. 
    Построение и оценка значимости множественной регрессионной модели.
    
29. 
    Характеристика алгоритмов построения деревьев решений.
    
30. 
    Подготовка управленческих решений на основе метода деревьев решений.
    
31. 
    Принципы построения и направления практического применения нейросетевых моделей.
    
32. 
    Оценка полезности, эффективности и точности моделей, применяемых для анализа данных.
    
33. 
    Подходы к анализу данных на базе ансамблей моделей.
    
34. 
    Формализованные, эвристические и комплексные методы прогнозирования.
    
35. 
    Применение моделей анализа временных рядов.
    
36. 
    Решение проблемы переобучения моделей.
    
37. 
    Технологии обогащения данных.
    
38. 
    Применение алгоритмов построения деревьев решений ID3 и С4.5.
    
39. 
    Технологии упрощения деревьев решений.
    
40. 
    Алгоритмы обучения нейронных сетей.