Аналітика даних — Лабораторні роботи

Лабораторна складова дисципліни «Аналітика даних». Кожна робота відповідає лекції з тим самим номером і закріплює її метод спершу «руками», а потім програмно.

Дві частини кожної роботи. Відповідно до формату курсу кожна лабораторна містить обидві складові:

Аудиторні задачі — математичне обчислення (3classroom.md): типові задачі теми, які розбирають в аудиторії «руками», з повними розв’язаннями. Вони показують метод на невеликих даних, перш ніж автоматизувати його.

Домашнє завдання — написання програми (4task.md): індивідуальна реалізація методу у вигляді програми (мову студент обирає самостійно). Це завдання взято з методичних матеріалів курсу; розв’язку (готового коду) до нього не наведено.

Розташування

По одній підтеці на роботу — Laboratory<N>/ — безпосередньо в цій теці. Кожна містить main.md (зміст) та частини:

Структура роботи

Файл	Призначення
`main.md`	Зміст роботи та навігація
`1purpose.md`	Мета роботи
`2method.md`	Методичні вказівки: самодостатня теорія + демонстраційний приклад методу
`3classroom.md`	Аудиторні задачі з розв’язаннями (математичне обчислення)
`4task.md`	Домашнє завдання — написання програми (без розв’язку)
`5report.md`	Зміст звіту
`6questions.md`	Контрольні запитання

плюс теку img/ для ілюстрацій (додаватимуться пізніше).

Роботи

№	Аудиторна частина (обчислення)	Домашня частина (програма)
1	Ймовірність і комбінаторика: класична ймовірність, теорема Байєса, перестановки/розміщення/сполучення	Комбінаторні задачі за варіантами (обчислення; з архіву)
2	Числові характеристики випадкової величини «руками»	Програма: середнє, дисперсія, СКВ вибірки з CSV
3	Побудова довірчих інтервалів для середнього та дисперсії	Програма: довірчі інтервали (рівень значущості ззовні: 0.1 / 0.05 / 0.01)
4	Перевірка гіпотез $z$ -, $t$ -, $\chi^2$ -, $F$ -критеріями	Програма: $F$ -критерій рівності дисперсій → $t$ -критерій рівності середніх
5	Коефіцієнт кореляції, метод найменших квадратів, $R^2$	Програма: перевірка кореляції, графік лінійної регресії, $R^2$
6	Класифікація об’єкта методом kNN «руками»	Програма: класифікація методом kNN з навчальної вибірки (CSV)
7	Ентропія, приріст інформації, індекс Джині; побудова дерева	Програма: побудова дерева рішень алгоритмом ID3 (CSV)
8	Наївний баєсів класифікатор «руками»	Програма: баєсів класифікатор; порівняння з ID3
9	Ітерації методу $k$ -середніх «руками»	Програма: $k$ -середніх; результат у файл
10	Агломеративна кластеризація й дендрограма «руками»	Програма: ієрархічна кластеризація знизу-догори; порівняння з $k$ -середніх
11	Підтримка, достовірність, підйом; прогін Apriori «руками»	Програма: пошук частих наборів і асоціативних правил (Apriori)
12	Побудова FP-дерева та умовних FP-дерев «руками»	Програма: FP-Growth; порівняння з Apriori (Лаб 11)
13	Коваріаційна матриця, власні вектори, проєкція на головні компоненти	Програма: PCA — зведення CSV до 2 компонент, частка поясненої дисперсії
14	Ковзне середнє, експоненційне згладжування, MAE/RMSE/MAPE	Програма: згладжування й прогноз часового ряду з CSV, оцінка похибки

Оцінювання

Кожна робота — частина поточного контролю й має три рівні складності (базовий 60–74, середній 75–89, високий 90–100); оцінка відповідає найвищому повністю виконаному рівню. Зараховуються обидві частини: розв’язані аудиторні задачі та захищене домашнє завдання (працездатна програма). Умови рівнів наведено у 4task.md кожної роботи.

Інструменти

Мова програмування — на вибір студента (Python, C#, Java, C++ тощо). Для Python зручні numpy, pandas, scipy, matplotlib; готові реалізації з scikit-learn можна використовувати лише для перевірки власного коду, якщо інше не зазначено в завданні.
Формат даних — CSV. Навчальні вибірки беруть із завдання або з відкритих джерел (напр., Kaggle).
Аудиторні обчислення виконують «руками» (калькулятор, таблиці значень розподілів) — щоб зрозуміти метод, перш ніж його програмувати.

Laboratory/README.md · 7.4 KB · updated 2026-08-05 08:26

Аналітика даних — Лабораторні роботи #

Розташування #

Структура роботи #

Роботи #

Оцінювання #