Professional Documents
Culture Documents
РОЗДІЛ 1. Методологічні основи Data Science. РОЗДІЛ 1.1. Прикладний статистичний аналіз даних
РОЗДІЛ 1. Методологічні основи Data Science. РОЗДІЛ 1.1. Прикладний статистичний аналіз даних
Київ 2022
ВСТУП
ВСТУП
Особисті профілі:
БД Scopus: Scopus author ID: 7801331277:
https://www.scopus.com/authid/detail.uri?authorId=7801331277;
БД Scholar Google:
https://scholar.google.com.ua/citations?user=yNDGOyMAAAAJ&hl=ru;
Профіль: www.researchgate.net/profile/Oleksii_Pysarchuk.
ВСТУП
ПИТАННЯ ЗАНЯТТЯ:
1. Структура та завдання дисципліни.
2. Основні відомості про технології Data Science.
3. Технології прикладного статистичного аналізу.
4. Технології Data Science в Python.
ВСТУП
НАВЧАЛЬНА ЛІТЕРАТУРА:
1. Навчально-методичний комплекс з дисципліни “Вступ до технології Data Science”,
[https://drive.google.com/drive/folders/1xqv2CMJ_BJmOL8QK2GjUne6coi0T5l2U?usp=sharing ].
2. Писарчук О.О. Нелінійне та багатокритеріальне моделювання процесів у системах керування рухом /
Писарчук О.О., Харченко В.П. – Монографія. – К.: Інститут обдарованої дитини, 2015. – 248 с.
3. Писарчук О.О. Багатокритеріальні математичні моделі ситуаційного управління та самоорганізації у складних
інформаційних системах / Писарчук О.О., Даник Ю. Г., Шестаков В.І., Соколов К.О., та інші. – Монографія. – Житомир:
ПП «Рута», 2016. – 232 c.
4. Ковбасюк С.В. Метод найменших квадратів та його практичне застосування / С.В. Ковбасюк, О.О. Писарчук,
М.Ю. Ракушев // Монографія . – Житомир: ЖВІ НАУ, 2008. – 228 с.
5. Салюк М.А. Статистична обробка даних експериментального дослідження. Методичний посібник з курсу
«Експериментальна психологія» / за ред. Е.Л. Носенко. – Дніпропетровськ: Інновація, 2010. – 26 с.
6. Ланде Д.В., Субач І.Ю., Бояринова Ю.Є. Основи теорії і практики інтелектуального аналізу даних у сфері
кібербезпеки: навчальний посібник. – К.: ІСЗЗІ КПІ ім. Ігоря Сікорського», 2018. — 297 с.
7. Бахрушин В.Є. Методи аналізу даних : навчальний посібник для студентів / В.Є. Бахрушин. – Запоріжжя : КПУ,
2011. – 268 с.
8. Уэс Маккинли Python та аналіз даних / Пер. с англ.., 2015. – 482 с.: ил.
9. Плас Дж. Вандер. Python для складних завдань: наука про дані та машинне навчання, 2018. – 576 с.
10. Майкл Хейдт. Вивчаємо pandas. Високопродуктивна обробка та аналіз даних в Python, 2018. – 438 с.
11. Себастьян Рашка, Вахид Мирджалили. Python та машинне навчання. Машинне та глибоке навчання з
використанням Python, scikit-learn, TensorFlow. К.: Діалектика, 2020. – 656 с.
12. Патрик Джоши. Штучний інтелект з прикладами на Python. К.: Діалектика, 2020. – 448 с. .
Питання 1.
Структура та завдання
дисципліни.
1. Структура та завдання дисципліни.
Прикладна галузь:
Теоретичний базис
•банківська справа;
Навчальна •трендінгові процеси;
дисципліна “Вступ •економічний аналіз…
до технології Data
Science”
Спосіб реалізації:
Технології Data Science
Технології
практичного Технології та бібліотеки Python: Pandas, NumPy, Matplotlib,
застосування OpenCV, PIL, scikit-learn.
1. Структура та завдання дисципліни.
Особливості курсу:
1. Структура та завдання дисципліни.
Особливості курсу:
1. Структура та завдання дисципліни.
План курсу:
1. Структура та завдання дисципліни.
Результати навчання:
Клас моделі-структурна
Клас моделі-математична
Структурно-функціональна модель
реального об'єкта
Блок 1
Блок 2 Блок 3
2. Основні відомості про технології Data Science.
Реальність
?
+ + =
3
=
1 + 1 = 1 = 3
Абстрактна числова модель
2. Основні відомості про технології Data Science.
реальність
1. Аналіз задачі.
рівень адекватності
2. Формалізація задачі.
5. Інтерпретація розв'язку.
реальність
2. Основні відомості про
технології Data Science.
2. Основні відомості про технології Data Science.
Обчислювальний
алгоритм
Серверна частина (Back-end)
База знань
МЕТА
МЕТОДИ
Технології Data
Science надають
можливість
передбачати
температуру повітря
поза мажами
інтервалу
спостереження
Спостерігаємо
Прогнозуємо
Технології Data
Science надають
можливість
передбачати динаміку
зміни і кількість
захворювань на
небезпечні хвороби
Економічний аналіз
3. Технології прикладного статистичного аналізу.
Експериментальні дані
3. Технології прикладного статистичного аналізу.
1. Первинний аналіз
статистичних даних
2. Визначення статистичних
характеристик
3. Побудова експериментальної
моделі (згладжування)
4. Екстраполяція
5. Інтерполяція
3. Технології прикладного статистичного аналізу.
1. Первинний аналіз
4., 5. Інтерполяція статистичних даних
(екстраполяція) АВ
АВ 2. Визначення статистичних
характеристик
Модель процесу
3. Побудова
експериментальної моделі
Ділянка Ділянка Ділянка
інтерполяції спостереження екстраполяції
3. Технології прикладного статистичного аналізу.
Без АВ
Аномальні виміри
значно спотворюють
результати когнітивного
аналізу та підлягають
вилученню
За наявності
АВ
3. Технології прикладного статистичного аналізу.
Закон розподілу
випадкової складової –
нормальний та має
нелінійний тренд
3. Технології прикладного статистичного аналізу.
Без АВ
Ретроспектива Перспектива
Інтерполяція Екстраполяція
Питання 4.
Технології Data Science в
Python.
4. Технології Data Science в Python.
4. Технології Data Science в Python.
PyScripter
4. Технології Data Science в Python.
Київ 2021