Мета: Метою курсу є ознайомлення студентів із поняттям інтелектуального аналізу даних у Data Science, а також із задачами й методами, які дозволяють виявляти зв’язки та закономірності у великих обсягах даних і використовувати їх для прогнозування та прийняття обґрунтованих рішень. Навички та компетентності: - Загальні навички (знання структури ШІ; ґрунтовна підготовка в Data Science; навички етики ШІ) - Спеціальні навички (моніторинг і прогнозування ІТ-ринку за допомогою ШІ; виявлення вебконтенту для прогнозування трендів) Зміст курсу: Функціональний і структурний опис технології Data Mining. Постановка та розв’язання задач класифікації (класифікація, кластеризація, розпізнавання образів), ідентифікації (структурна, параметрична, структурно-параметрична) та прогнозування. Формування масиву вхідних даних. Моделі та їх оцінювання. Технології інтелектуального моніторингу. Практична реалізація з використанням Python (бібліотеки Scikit-learn, NumPy, Pandas).

Мета: Метою модуля є ознайомлення студентів із поняттям машинного навчання у Data Science, структурою машинного навчання та методами його застосування для розв’язання різноманітних завдань. Навички та компетентності: - Ґрунтовна підготовка у сфері науки про дані - Навички застосування методів і засобів машинного навчання Зміст курсу: Вступ до машинного навчання. Машинне навчання як частина Data Science. Структура машинного навчання. Класичне машинне навчання: навчання з учителем, без учителя. Навчання з підкріпленням. Інструменти: нейронні мережі, глибинне навчання, GMDH, ансамблеві методи. Застосування технологій машинного навчання в повсякденному житті.

Мета: Курс має на меті надати студентам необхідні знання та навички в галузі статистичного аналізу даних. Навички та компетентності: Використання статистичних методів для побудови регресійних моделей для вирішення бізнес-завдань. Оцінювання точності, адекватності та повноти моделей, побудованих за допомогою алгоритмів машинного навчання. Зміст курсу: Метод найменших квадратів. Аналіз часових рядів. Статистичний аналіз результатів моделювання.

Мета: Метою курсу «Бази даних» є вивчення проєктування реляційних баз даних, методів збереження цілісності та автоматизації проєктування відповідно до призначення. Курс охоплює вибірку, додавання, видалення та оновлення даних як просту роботу з табличними даними, а також об'єднання, групування, фільтрацію, сортування — як складну обробку. Вивчаються основи запитів мов MySQL та PostgreSQL за допомогою оболонки PgAdmin. Передбачено підключення локальних і віддалених SQL-баз через бібліотеку Python SQLite. Також розглядається технологія OLAP для обробки великих обсягів даних у реальному часі. Навички та компетентності: - Загальні навички: співпраця з ШІ-системами, розробка та інтеграція ШІ, розширення можливостей за допомогою ШІ - Спеціальні навички: підтримка клієнтів за допомогою ШІ, генерація контенту з використанням ШІ Зміст курсу: Поняття СКБД і її компоненти. Реляційна модель і елементи баз даних. Робота з реляційними БД за допомогою MySQL. Створення БД і обробка даних у PostgreSQL. Групове виконання запитів у PostgreSQL. Сховища даних і технологія Data Mining. OLAP — інструмент аналізу великих обсягів даних у реальному часі.

Мета: Ознайомлення студентів із засобами розробки, подання й аналізу даних у Data Science з використанням Python та суміжних інструментів для розв’язання практичних завдань. Навички та компетентності: - Загальні навички: підтримка ШІ, використання ML, інтеграція ШІ - Спеціальні навички: робота з TensorFlow і PyTorch; програмування на Python Зміст курсу: Основи Python для Data Science. Робота з масивами даних (NumPy). Статистична обробка даних (Pandas). Візуалізація (Matplotlib). Машинне навчання (TensorFlow, PyTorch). Робота з базами даних (MySQL).