Инструментальные средства для аналитики данных и визуализации

Цель модуля: приобретение слушателями знаний по современным BI системам для выработки возможных решений посредством сбора и анализа больших данных и элементами информации бизнес-анализа, умения работы и овладевание навыками работы по визуализации анализа данных.
.
Профессиональные компетенции, совершенствуемые и приобретаемые слушателями в процессе освоения модуля 1:
 ПК-1. Применяет стандарты и методики бизнес-моделирования.
 ПК-2. Осуществляет сбор и подготовку данных для обучения моде-лей искусственного интеллекта.

В результате освоения модуля слушатели должны:
а) знать:
- теоретические основы анализа данных, технология OLAP и Data Mining;
- методику KDD (Knowledge Discovery in Databases), используемую при разработке моделей и решении стандартных задач Data Mining.
- правила и методы проектирования моделей данных, внедрения анали-тических отчетов, информационных панелей мониторинга в компоненты ИТ инфраструктуры организации;
- алгоритмические и программные методы проведения и интеллектуаль-ного анализа данных для принятия взвешенных решений;

б) уметь:
- решать задачи профессиональной деятельности, используя OLAP тех-нологии аналитики;
- использовать современные информационные технологии аналитики для информационно-аналитического сопровождения деятельности;
- работать с многомерными моделями

в) владеть:
- инструментами и технологиями выявления, сбора и анализа информации бизнес-анализа для формирования возможных решений;
- инструментами формирования аналитических отчетов, дашбордов и «повествований» для поддержки принятия решений.

Часов в программе

10,00 часов

лекции

28,00 часов

практика

20,00 часов

самостоятельная

2,00 часа

промежуточная аттестация

60,00 часов

всего

Учебно-методические материалы

Методы, формы и технологии

Видеолекции, вебинары, домашняя и проектная работа

Методические разработки

Методические материалы Центра компетенций "Цифровая экономика" Финансового Университета

Материалы курса

Записи лекций (Методические разработки и материалы курса располагаются в LMS Финансового Университета)

Учебная литература

Основная литература:
1. Бринк, Ричардс, Феверолф: Машинное обучение. – СПб.: Питер, 2017. – 336 с.
2. Зараменских, Е. П. Основы бизнес-информатики: учебник и практикум для бакалавриата и магистратуры / Е. П. Зараменских. – Москва: Издательство Юрайт, 2018. — 407 с. — (Высшее образование). — ISBN 978 5-9916-8210-7. – Текст : электронный II Образовательная платформа Юрайт [сайт]. – URL: https://urait.ru/bcode/413823 (дата обращения: 10.04.2022). 3. Data Science. Наука о данных с нуля. | Билл Фрэнкс.; пер. с англ. Евстигнеева И.В. – М.: Издательство «Альпина Паблишер». – 2018. – 320 с.
4. Набатова, Д. С. Математические и инструментальные методы поддержки принятия решений: учебник и практикум для вузов / Д. С. Набатова. — Москва: Издательство Юрайт, 2022. — 292 с. — (Высшее образование). — ISBN 978-5-534-02699-3.
5. Курносов Ю.В. «Азбука аналитики», Издательство «Концептуал», 2018 - 240 с.
6. Б. Марр «Ключевые инструменты бизнес-аналитики» пер с англ. Егоров В. Н., Издательство «Лаборатория знаний», 2018 – 339 с.
7. де Прадо М. «Машинное обучение: алгоритмы для бизнеса», Санкт-Петербург: Издательский дом «Питер». – 2012. – 432 с.
8. Плас вандер Д. «Python для сложных задач: наука о данных и машинное обучение», Санкт Петербург: Издательский дом «Питер». – 2018. — 576с.
9. Лакшманан В., Тайджани Д. «Google BigQuery. Всё о хранилищах данных, аналитике и машинном обучении», Санкт Петербург: Издательский дом «Питер». – 2021. – 496с.

Дополнительная литература:
1. Большие данные. Принципы и практика построения масштабируемых систем обработки данных в реальном времени. / Натан Марц и Джеймс Уоррен.; пер. с англ. — М.: Вильямс. – 2011. – 336 с.
2. Глубокое обучение на Python. – СПб.: Питер, 2018. — 400 с.: ил. — (Серия «Библиотека программиста»).
3. Основы Data Science и Big Data. Python и наука о данных. / Силен Д., Мейсман А., Али М.; пер. с англ. — Санкт Петербург: Издательский дом «Питер». – 2018. – 336 с.
4. Паклин Н.Б. Орешков В.И. Бизнес-аналитика: от данных к знаниям, СПб: Питер 2013. – 706 с. 41.
5. Радченко И.А, Николаев И.Н. Технологии и инфраструктура Big Data. — СПб: Университет ИТМО, 2018. - 52 с.
6. Data Science. Наука о данных с нуля. / Джоэл Грас.; пер. с англ. Логунов А.В. – Санкт Петербург: Издательство «БХВ-Петербург». – 2018. – 336 с.
7. Google BigQuery. Всё охранилищах данных, аналитике и машинном обучении. – СПб.: Питер, 2021. — 496 с.: ил.
8. К. Андерсон «Аналитическая культура»/Издательство. Манн, Иванов, Фербер, 2017 – 332 с. 45.
9. Д. Битти К. Вигерс «Разработка требований к программному обеспечению», Издательство BHV, 2019-737 с.

Темы

Обзор современных BI систем Визуализация анализа данных