Основы интеллектуального анализа данных и машинного обучения

Курс посвящен изучению основ интеллектуального анализа данных (data mining) и машинного обучения. Слушатели смогут получить представление об организации процесса анализа данных, узнать основное содержание этапов предобработки и постобработки данных, сопутствующие стандарты. Курс позволяет познакомиться с современными технологиями интеллектуального анализа данных и примерами их применения для решения бизнес-задач, а также с основами машинного обучения как одной из главных современных концепций извлечения новых знаний и закономерностей из больших массивов данных и последующего их применения в системах искусственного интеллекта.

Десять последовательно связанных модулей (наименования есть в программе курса), в каждом модуле от 2 до 4 уроков (лекций), контрольные вопросы, зачетные материалы в электронной форме. 

Основная литература:

1. Han J., Kamber M., Pei J. Data mining: Concepts and techniques. Morgan Kaufmann, 2012. 740 pp.
2. Aggarwal C. Data mining: The textbook. Springer, 2015. 746 pp.
3. Барсегян А.А. Анализ данных и процессов. Учебное пособие для вузов. СПб.: БХВ-Петербург, 2009. 512 с.
4. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. 764 pp.

Дополнительная литература:

1. Маккинни У. Python и анализ данных. М.: ДМК Пресс, 2015. 482 с.
2. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. М.: Вильямс, 2017. 470 с.
3. Дж. Вандер Плас. Python для сложных задач. Наука о данных и машинное обучение. СПб.: Питер, 2018. 576 с.
4. Лесковец Ю., Раджараман А., Ульман Дж. Анализ больших наборов данных / пер. с англ. Слинкин А.А. – М.: ДМК Пресс, 2016. – 498 с.
5. Плас Дж. В. Python для сложных задач: наука о данных и машинное обучение. 576 стр.

Знание основ информатики, основ теории вероятностей и математической статистики. Желательно знакомство с основами методов оптимизации.

• Модуль 1. Введение в анализ данных.
• Модуль 2. Предобработка и постобработка данных.
• Модуль 3. Поиск шаблонов и ассоциативных правил.
• Модуль 4. Кластеризация.
• Модуль 5. Поиск аномалий.
• Модуль 6. «Обучение с учителем»: теоретические основы.
• Модуль 7. Элементарные методы классификации.
• Модуль 8. Элементарные методы восстановления регрессии.
• Модуль 9. Линейные методы классификации и восстановления регрессии.
• Модуль 10. Композиции алгоритмов классификации и регрессии.

Знание основных методов интеллектуального анализа данных, основных методов решения задач машинного обучения.

Умение применять при решении прикладных задач методы и алгоритмы поиска часто встречающихся шаблонов, классификации, кластеризации, восстановления регрессии.

Навык самостоятельной постановки конкретных задач научных исследований в области ИБ или информационно-аналитических систем безопасности и решения их с использованием новейшего отечественного и зарубежного опыта; навык планирования и организации предпроектных исследований объектов обеспечения ИБ или объектов информационноаналитических систем безопасности.