ТЕХНОЛОГІЇ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ У НАВЧАННІ ІНФОРМАТИЧНИХ ДИСЦИПЛІН
Ключові слова:
великі дані, машинне навчання, компетентності, KNIME, PythonАнотація
У статті розглядаються основні поняття науки про великі дані (Data Science). Проаналізовано технології машинного навчання (Machine Learning) та інтелектуального аналізу даних (Data Mining) та відповідні вільно поширювані програмні засоби і джерела даних, доцільні для застосування у навчальному процесі. Запропоновано елементи методики навчання основ Data Science майбутніх учителів інформатики і фахівців з комп’ютерних наук.
Мета. Відібрати доцільні вільно поширювані інструменти Data Mining, та розробити окремі компоненти методики навчання дисциплін циклу фахової підготовки майбутніх учителів інформатики і фахівців з комп’ютерних наук.
Методологія. Вивчення та аналіз наукових публікацій, навчально-методичних видань, порівняльний аналіз програмного забезпечення, узагальнення досвіду фахівців в галузі освіти і комп’ютерних наук, моделювання і синтез компонентів методики навчання, системний підхід до навчання інформатики.
Наукова новизна. Відібрано доцільні вільно поширювані інструменти Data Mining, та розроблено окремі компоненти методики навчання майбутніх учителів інформатики і фахівців з комп’ютерних наук.
Висновки. У роботі розглянуто основні концепції і терміни сучасних технологій опрацювання і аналізу великих даних Data Science, Machine Learning, Data Mining. Проаналізовано алгоритми машинного навчання, зроблено огляд джерел навчальних даних, відібрано вільно поширювані інструменти та наведено методичні підходи до навчання Data Mining i Machine Learning майбутніх учителів інформатики і фахівців з комп’ютерних наук. Зазначені методичні підходи до навчання сучасних методів і засобів опрацювання великих даних спрямовані на формування у майбутніх фахівців спеціальних компетентностей, необхідних для ефективного моделювання, проектування, розробки, супроводу, упровадження і навчання інформаційних технологій у професійній діяльності. Таке формування може бути проведене при вивченні дисциплін «Інформаційно-комунікаційні технології», «Програмування мовою Python», «Основи штучного інтелекту та інтелектуального аналізу даних», «Вступ в Data Science та машинне навчання», що актуалізує тематику вказаних курсів.
Посилання
Aksyutina E. M., Belov Yu. S. (2016). Obzor arhitektur i metodov mashinnogo obucheniya dlya analiza bolshih dannyh [Overview of architecture and machine learning methods for big d ata analysis]. Elektronnyiy zhurnal : nauka, tehnika i obrazovanie – Electronic journal : Science, Technology and Education, 1 (5), 132–139. Retrieved from : http://nto-journal.ru/uploads/articles/0b9bd6d9833003ed0d6f9 bb/16fab81f1.pdf.
Kovalchuk, Yurii (2016). Poshuk, otrymannia y analiz danykh v osviti: suchasnyi stan i perspektyvy rozvytku [Data mining in education : current state and perspectives of development]. Informatsіinі tekhnolohіi і zasoby navchannia – Information Technologies and Learning Tools, 50, 152–164. DOI: 10.33407/ itlt.v50i6.1284.
Kuzmina, O. M. Zastosuvannia metodiv intelektualnoho analizu danykh u biznes-seredovyshchi [Application of data mining methods in the business environment]. Retrieved from : https://ir.vtei.edu.ua/g.php?fname=25802.pdf.
Pronin, S.V., Usychenko, O.Iu. Analiz instrumentiv mashynnoho navchannia dlia analizu velykykh masyviv danykh [Analysis of machine learning tools for analysis of large data sets]. Retrieved from : http:// publications.ntu.edu.ua/avtodorogi_i_stroitelstvo/108/67.pdf.
Konspekt lektsii z dystsypliny «Intelektualnyi analiz danykh» dlia studentiv spetsialnosti 8.04030301 «Systemnyi analiz i upravlinnia» [Summary of lectures on the subject «Data Mining» for students majoring in 8.04030301 «Systems Analysis and Management»]. Dnipropetrovsk, 2014. Retrieved from : URL:https://sau.nmu.org.ua/ua/osvita/metod/magistr/Intellectual_data_analysis/(Lecture)_NMU_SAU.pdf.
Mohylnyi, S. B. (2019). Mashynne navchannia z vykorystanniam mikrokompiuteriv: navch.-metod. Posib [Machine learning using microcomputers : training manual]. Kyiv.
Motoryn, R.M. (2020). Rol statystyky u pidhotovtsi fakhivtsiv z doslidzhenniam danykh (Data Science). [The role of statistics in the training of specialists in data research] (Data Science). Novі dzherela ta metody poshyrennia danykh u statystytsі: materіaly XVIII Mіzhnarodnoi naukovo-praktychnoi konferentsіi z nahody Dnia pratsіvnykіv statystyky – New sources and methods of data dissemination in statistics. Materials of the XVIII International scientific-practical conference on the occasion of the Day of Statistics. Kyiv. «Informatsiino-analitychne ahentstvo», 103–106.
Dobuvannia danykh [Data Mining]. Retrieved from : https://uk.wikipedia.org/wiki/Добування_даних.
Lavreniuk, M. S., Novykov, O. M. (2018). Ohliad metodiv mashynnoho navchannia dlia klasyfikatsii velykykh obsiahiv suputnykovykh danykh [Overview of machine learning methods for classifying large amounts of satellite data]. Systemnі doslіdzhennia ta іnformatsіinі tekhnolohіi – Systems research and information technology. Kyiv, 1, 52–71.
Horoshko, Y V. (2012). Informatsiine modeliuvannia u pidhotovtsi uchyteliv matematyky ta informatyky : Navchalno-metodychnyi posibnyk dlia studentiv [Information modeling in the training of future teachers of mathematics and computer science : training manual]. Chernihiv : Vydavets Lozovyi V.M.
Cherednychenko, A. O., Shura, N. O. (2015). Zastosuvannia shtuchnykh neironnykh merezh yak diievoho mekhanizmu pryiniattia efektyvnykh upravlinskykh rishen na pidpryiemstvi [The use of artificial neural networks as an effective mechanism for making effective management decisions in the enterprise]. Hlobalnі ta natsіonalnі problemy ekonomіky – Global and national economic problems. Mykolaiv, Ukraine, 4, 628–630.
Kuznietsova, N.V., Bidiuk, P.I. (2011). Informatsiina tekhnolohiia analizu finansovykh danykh na osnovi intehrovanoho metodu [Information technology of financial data analysis based on an integrated method]. Systemnі doslіdzhennia ta іnformatsіinі tekhnolohіi – Systems research and information technology, 1, 22–33.
Haykin S. Neural networks and learning machines. Upper Saddle River. NJ, USA : Pearson, 2009. Vol. 3. 938 p.
Pirotti F., Sunar F., Piragnolo M. Benchmark of machine learning methods for classification of a Sentinel-2 image. International Archives of the photogrammetry, Remote Sensing & Spatial Information Sciences. 2016. Vol. 41. P. 335–340.
Obzor Knime Analytics Platform – open source systemy dlia analyza dannykh [Review of Knime Analytics Platform – open source systems for data analysis]. Retrieved from : https://habr.com/ru/post/320500/.
Joel Grus (2019). Nauka o dannyih s nulya [Data Science from Scratch]. St. Petersburg. BHV-Peterburg.
Andreas Myuller, Sara Gvido. (2020). Vvedenie v mashinnoe obuchenie s pomoschyu Python. Rukovodstvo dlya spetsialistov po rabote s dannyimi [Introduction to Machine Learning with Python A Guide for Data Scientists]. Moscow. Vilyams.
Mashinnoe zrenie na Python. Obuchaem neyroset raspoznavat tsifryi [Machine vision by Python. We train the neural network to recognize numbers] Retrieved from : https://medium.com/@enduranceprog/machinevision-digits-94eb258c6ff8.
