Оцінювання якості моделей: train/test split, cross-validation, accuracy, precision, recall, F1-score.

Вступ до дисципліни. Дані, інформація, знання. ІАД, Data Mining, KDD.

Типи даних, джерела даних, формати зберігання та відкриті набори даних.

Етапи процесу KDD і CRISP-DM.

Підготовка даних: очищення, пропуски, дублікати, перетворення.

Описова статистика: середнє, медіана, мода, дисперсія, стандартне відхилення.

Первинний аналіз даних і базова інтерпретація показників.

Візуалізація даних: гістограми, діаграми, scatterplot, boxplot.

Кореляція та взаємозв’язки між ознаками.

Класифікація: постановка задачі, навчальна і тестова вибірки.

Регресійний аналіз і прогнозування.

Кластеризація та групування об’єктів.

Пошук асоціативних правил і виявлення аномалій.

Оцінювання якості моделей: train/test split, cross-validation, accuracy, precision, recall, F1-score.

Метрики регресії та оцінювання кластеризації. Overfitting і underfitting.

Інструменти ІАД: Python, NumPy, Pandas, Matplotlib, scikit-learn, Jupyter Notebook.

Практичне використання ІАД, інтерпретація результатів, етика та захист даних.

Пошук, вибір і опис публічної бази даних для подальшого аналізу.

Ознайомлення зі структурою обраного набору даних: середовище, рядки, стовпці, поля, типи даних, цільовий атрибут.

Первинне очищення та підготовка даних: пропуски, дублікати, формати, базові перетворення.

Попередній статистичний та візуальний аналіз даних.

Аналіз кореляцій і підготовка набору ознак до моделювання.

Розв’язання задач класифікації або регресії на обраному наборі даних.

Кластеризація, групування, пошук аномалій або асоціативних правил.

Підсумкове практичне заняття: оцінювання якості результатів, оформлення звіту та захист мініпроєкту.