Вибрані розділи науки про дані / Selected Sections of Data Science (КН)
Тип: Нормативний
Кафедра: системного проектування
Навчальний план
| Семестр | Кредити | Звітність |
| 9 | 8 | Іспит |
Лекції
| Семестр | К-сть годин | Лектор | Група(и) |
| 9 | 32 | доцент Ляшкевич В. Я. | ФеІм-11, ФеІм-12, ФеІм-13, ФеІм-14 |
Лабораторні
| Семестр | К-сть годин | Група | Викладач(і) |
| 9 | 32 | ФеІм-11 | доцент Ляшкевич В. Я. |
| ФеІм-12 | доцент Ляшкевич В. Я. | ||
| ФеІм-13 | доцент Ляшкевич В. Я. | ||
| ФеІм-14 | доцент Ляшкевич В. Я. |
Опис навчальної дисципліни
Дисципліна «Вибрані розділи науки про дані» є нормативною дисципліною з спеціальності 122 – Комп’ютерні науки для освітньої програми «Комп’ютерні науки», яка викладається в 1 семестрі в обсязі 8 кредитів (за Європейською Кредитно-Трансферною Системою ECTS).
Навчальну дисципліну розроблено таким чином, щоб надати учасникам необхідні знання, обов’язкові для того, щоб оволодіти базовими поняттями, пов’язаними з організацією та використанням даних, використанням технологій роботи з даними. Тому у дисципліні представлено як огляд базових понять та інструментів роботи з даними, так і засобів, які потрібні для вирішення типових завдань при використанні, налаштуванні середовищ та технологій роботи з даними, розробки програм та програмних інтерфейсів.
Метою вивчення дисципліни «Вибрані розділи науки про дані» є оволодіння базовими поняттями, теоретичними знаннями про дані, можливості інформаційних систем, побудованих на основі опрацювання та аналізу даних, візуалізації даних, побудови конвеєрів для аналізу і перетворення даних з подальшим використанням в різних предметних областях людської діяльності з метою вирішення різного роду задач і бізнес проблем. Ціллю є вміння налаштування сервісів роботи з даними, проектування етапів роботи з даними та розробка програм для роботи з даними.
Рекомендована література
- 1. Christopher M. Bishop (2018) Pattern Recognition and Machine Learning, 738p.
- 2. Sarah Guido (2016) Introduction to Machine Learning with Python: A Guide for Data Scientists, 400p.
- 3. EMC Education Services (2015) Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data, 432p.
- 4. Cole Nussbaumer Knaflic (2015) Storytelling with Data: A Data Visualization Guide for Business Professionals, 288p.
- 5. Peter Bruce (2017) Statistics for Data Scientists: 50 Essential Concepts, 298p
- 6. Data Mining: The Complete Guide. – Columbia Engineering, 2023. URL: https://bootcamp.cvn.columbia.edu/blog/data-mining-guide/
- 7. Paul Crickard. Data Engineering with Python – Birmingham: Packt Publishing, 2020. – 337 p. -ISBN 978-1-83921-418-9.
- 8. Wang L., Fu X. Data Mining with Computational Intelligence. –Springer, 2005. –280 p.
- 9. Wes McKinney. Python for Data Analysis – Sebastopol: O’Reilly Media, 2018. – 522 p. – ISBN 978-1-491-95766-0.
- 10. Joakim Sundnes. Introduction to Scientific Programming with Python – Lysaker: Simula SpringerBriefs, 2020, Volume 6. – ISBN: 978-3-030-50355-0. (eBook)
- 11. Michael T. Goodrich, Roberto Tamassia, Michael H. Goldwasser. Data Structures & Algorithms in Python. Wiley: Courier Westford, 2013. – 748 p. (eBook)
- 12. Massimo di Pierro. Annotated Algorithms in Python – Chicago: Experts4Solutions, 2017. – 227 p. – ISBN: 978-0-9911604-0-2.