Курсова робота з Методів і засобів обробки великих даних - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Опис дисципліни

Під час виконання курсової роботи студенти отримають практичні навички вирішення задачі з обробки великих даних: аналізу предметного середовища, вибору методів для обробки і аналізу заданого набору даних, реалізації відповідних алгоритмів в системі обробки великих даних, інтерпретації та представлення результатів.

Предмет навчальної дисципліни

методи обробки та аналізу великих даних, системи обробки великих даних.

Міждисциплінарні зв’язки

Дисципліна Курсова робота з Методів і засобів обробки великих даних базується на дисциплінах:

• Вища математика
• Аналіз даних в інформаційно-управляючих системах
• Ймовірністні моделі та статистичне оцінювання в ІУС
• Системи штучного інтелекту
• Теорія ймовірностей та математична статистика
• Теорія прийняття рішень

Мета навчальної дисципліни

Підготовка висококваліфікованих фахівців, які володіють основними методами обробки та аналізу великих даних, засобами реалізації цих методів, та здатні вирішувати практичні задачі, що полягають в аналізі великих наборів даних.

Основні завдання навчальної дисципліни

Знання

• методів та засобів агрегації та інтегрування великих даних різних типів;
• методів, засобів та інструментів попередньої обробки великих даних;
• методів, засобів та інструментів інтелектуальної обробки великих даних;
• методів та засобів аналізу великих даних;
• представлення результатів аналізу великих даних.

Уміння

• правильно обирати та використовувати методи та алгоритми для фільтрації, валідації та зберігання великих даних;
• правильно обирати методи аналізу великих даних відповідно до поставленої задачі;
• отримувати знання шляхом аналізу великих даних;
• проєктувати та розробляти прикладні інформаційні програми для аналізу великих даних та інтепретації отриманої інформації.

Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Пререквізити

мати знання з програмування, структур даних та алгоритмів, вищої математики, теорії ймовірностей та математичної статистики, статистичних методів аналізу даних, штучного інтелекту, методів та засобів обробки великих даних.

Постреквізити

після проходження дисципліни студенти матимуть практичні навички, які необхідні для провадження інженерної та наукової діяльності в області аналізу великих даних, їх інтелектуальної обробки і створення відповідних прикладних інформаційних програм.

Зміст навчальної дисципліни

Курсова робота є індивідуальним завданням з дисципліни «Методи та засоби обробки великих даних» і готується до захисту в завершальний період теоретичного навчання. Курсова робота повинна бути підготовлена до захисту в термін, встановлюваний викладачем. До захисту курсової роботи представляється пояснювальна записка та програма, що реалізує поставлене завдання. Пояснювальна записка містить наступні компоненти: титульний лист, завдання на курсову роботу, зміст, що включає найменування всіх розділів і пунктів із зазначенням номерів сторінок, вступ, в якому вказуються мета і завдання курсової роботи; теоретичну частину, в якій описуються теоретичні відомості за темою роботи, обирається та обґрунтовуються методи обробки великих даних, використані в курсовій роботі; практичну частину, а саме опис програмної реалізації обраних методів, їх застосування до заданого набору даних та інтерпретація результатів. В кінці пояснювальної записки представляється висновок за результатами роботи.

Навчальні матеріали та ресурси

Базова література

1. Zgurovsky M.Z., Zaychenko Y.P. Big Data: Conceptual Analysis and Applications. Springer, 2020. – 298 p.
2. Силен Д., Мейсман А., Али М. Основы Data Science и Big Data. Python и наука о данных. – СПб.: Питер, 2017. – 336 с.
3. Олійник А. О. Інтелектуальний аналіз даних : навчальний посібник. — Запоріжжя : ЗНТУ, 2012. — 278 с.
4. Ситник В.Ф., Краснюк М.Т. Інтелектуальний аналіз даних (дейтамайнінг): Навч. пос. — К:КНЕУ,2007 — 376 с.
5. Tom White. Hadoop: The Definitive Guide. — O’Reilly, 2016. – 805p.
6. Rajkumar Buyya. Big Data. Principles and Paradigms. — Elsevier, 2016. – 496p.

Допоміжна література

1. Thomas Erl. Big Data Fundamentals. Concepts, Drivers & Techniques. — Prentice Hall, 2016. — 235p.
2. Robert Slane. Big Data Essentials. — 2018. — 356p.
3. Phil Simon. Too Big to Ignore: The Business Case for Big Data. — Wiley, 2019. — 257p.
4. Себастьян Рашка, Вахид Мирджалили. Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn, TensorFlow. — К.: Диалектика, 2020. – 656 с.

Навчальний контент

Методика опанування навчальної дисципліни (освітнього компонента)

Самостійна робота студента/аспіранта

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Система вимог, які ставляться перед студентом:

• Оформлення курсової роботи має відповідати вимогам до звітів про НДР (ДСТУ 3008-2015 «Державний стандарт України. Документація. Звіти в сфері науки і техніки. Структура і правила оформлення»).
• у випадку виявлення факту академічної недоброчесності робота не зараховується;
• невчасне виконання розділу курсової роботи, а також її невчасний захист тягне за собою зниження отриманих балів на 10%, якщо запізнення не більше трьох тижнів, на 20% якщо запізнення більше трьох тижнів.

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Рейтинг студента складається з балів, що він отримує за:

1. виконання стартової складової;
2. захист курсової роботи.

Система рейтингових балів та критерії оцінювання

Стартова складова:

Дотримання календарного плану:

• «відмінно», терміни календарного плану витримано повністю – 6 балів;
• «добре», терміни деяких етапів календарного плану не було дотримано, завдання виконувались з запізненням – 4-5 балів;
• «задовільно», терміни етапів календарного плану постійно не дотримувались, курсову роботу не було вчасно подано на перевірку – 2-3 бали;
• «незадовільно», студент не подав курсову роботу до захисту вчасно – 0 балів.

Якість оформлення пояснювальної записки до курсової роботи:

• «відмінно», вимоги до оформлення та стандарти ДСТУ дотримано повністю – 6 балів;
• «добре», існують несуттєві помилки в оформленні пояснювальної записки – 4-5 балів;
• «задовільно», існують деякі суттєві помилки в оформленні пояснювальної записки – 2-3 бали;
• «незадовільно», пояснювальна записка не оформлена відповідно до вимог – 0 балів.

Вибір та обґрунтування методів для обробки великих даних:

• «відмінно», методи обрано правильно, вибір достатньо обґрунтовано – 16 балів;
• «добре», методи обрано правильно, але вибір не обґрунтовано в повній мірі – 12-15 балів;
• «задовільно», не обрано найбільш ефективні методи для вирішення поставленої задачі, рішення не обґрунтовано – 9-11 балів;
• «незадовільно», методи обрано неправильно – 0 балів.

Повнота реалізації методів обробки великих даних:

• «відмінно», методи реалізовано повністю, відповідно до завдання – 16 балів;
• «добре», методи реалізовано, але деякі несуттєві функції було опущено – 12-15 балів;
• «задовільно», методи реалізовано, але опущений суттєвий етап – 9-11 балів;
• «незадовільно», методи не реалізовано достатньо для рішення задачі – 0 балів.

Інтерпретація результатів:

• «відмінно», результати представлено інформативно та у відповідності до завдання – 16 балів;
• «добре», результати представлено інформативно, але з певними недоліками, що заважають їх повному розумінню – 12-15 балів;
• «задовільно», результати представлено неінформативно – 9-11 балів;
• «незадовільно», відсутнє представлення та інтерпретація результатів – 0 балів.

Максимальна сума вагових балів за стартову складову складає:

RD = r_к.п.+r_оф+r_м+r_р.м.+r_і.р.=6+6+16+16+16=60, де r_к.п. – бали за дотримання календарного плану (0…6); r_оф – бали за якість оформлення пояснювальної записки до курсової роботи (0…6); r_м – бали за вибір та обґрунтування методів для обробки великих даних (0…16); r_р.м. – бали за повноту реалізації методів обробки великих даних (0…16); r_і.р. – бали за інтерпретацію результатів (0…16).

Захист курсової роботи:

• «відмінно», студент повністю володіє матеріалом, вміє обґрунтовувати свої рішення, захищати свою думку – 36-40 балів;
• «добре», студент добре володіє матеріалом, але демонструє невпевненість в обґрунтуванні рішень, відповідях на питання – 30-35 балів;
• «задовільно», студент невпевнено володіє матеріалом, робить помилки при відповідях на питання, не може повністю обґрунтувати свої рішення – 24-29 балів;
• «незадовільно», студент не може відповісти на питання в достатній мірі, демонструє слабкі знання матеріалу – 0 балів.

Сума балів, набраних за стартову складову та за захист курсової роботи переводиться до підсумкової оцінки згідно з таблицею:

Таблиця 1. Переведення рейтингових балів до оцінок за університетською шкалою

Додаткова інформація з дисципліни (освітнього компонента)

Робочу програму навчальної дисципліни (Силабус): Складено ст. викладач, Тимофєєва Юлія Сергіївна Ухвалено кафедрою ІСТ (протокол № 1 від 30.08.2021 р.) Погоджено Методичною комісією факультету[1] (протокол № 1 від 30.08.2021 р.)