Формирование программ учебных дисциплин, связанных с анализом данных

ННГАСУ участвует в
образовательной программе
компании BaseGroup Labs с 2007 г.
www.nngasu.ru

Уровневая модель высшего образования

ОПРЕДЕЛЕНИЕ ЗАПРОСА НА СПЕЦИАЛИСТА И НАБОР ЕГО КОМПЕТЕНЦИЙ
Способен при решении профессиональных задач анализировать социально-экономические проблемы и процессы с применением методов системного анализа и математического моделирования (ПК-2)
Способен ставить и решать прикладные задачи с использованием современных информационно-коммуникационных технологий (ПК-4)
Способен проводить обследование организаций, выявлять информационные потребности пользователей, формировать требования к информационной системе, участвовать в реинжиниринге прикладных и информационных процессов (ПК-8)
Профессиональные компетенции (ФГОС), соответствующие
профессиональной деятельности бизнес-аналитика:

ОПРЕДЕЛЕНИЕ ЗАПРОСА НА СПЕЦИАЛИСТА И НАБОР ЕГО КОМПЕТЕНЦИЙ
Способен моделировать и проектировать структуры данных и знаний, прикладные и информационные процессы (ПК-9)
Способен применять методы анализа прикладной области на концептуальном, логическом, математическом и алгоритмическом уровнях (ПК-17)
Способен применять системный подход и математические методы в формализации решения прикладных задач (ПК-21)
Профессиональные компетенции (ФГОС), соответствующие
профессиональной деятельности бизнес-аналитика:

КОМПЕТЕНЦИИ БИЗНЕС-АНАЛИТИКА, ВОСТРЕБОВАННЫЕ ПРАКТИКОЙ
Высшее инженерно-экономическое или экономическое образование;
Знание предметной области и бизнеса Заказчика;
Понимание сути и целей внедрения хранилища данных и той пользы, которую внедрение принесет бизнесу Заказчика;
Знание принципов организации данных и построения моделей данных;
Умение систематизировать информацию, соблюдать дисциплину в отношении ведения документов, версий, протоколов;

КОМПЕТЕНЦИИ БИЗНЕС-АНАЛИТИКА, ВОСТРЕБОВАННЫЕ ПРАКТИКОЙ
Наличие практического опыта описания процессов в различных нотациях (UML, IDEF0, IDEF3, DFD и другие);
Отличное знание пакет офисных программ (MS Word, MS Excel, MS PowerPoint);
Практические навыки работы с BI-приложениями;
Объективность в части принятия требований от Заказчика для их реализации. Не принимать абсолютно все требования, уметь донести цели создания и ограничения системы
Коммуникабельность, умение работать в команде с другими аналитиками, консультантами и представителями Заказчика.

СОВРЕМЕННЫЕ МЕТОДЫ РАЗРАБОТКИ УЧЕБНЫХ ПЛАНОВ
Модульное обучение
Составление учебных планов вузов на основе дерева целей подготовки специалиста
Предметно-модульный принцип построения учебного плана:
Базовая часть учебного плана – дисциплины
Вариативная часть – модули и дисциплины по выбору

ИЕРАРХИЧЕСКАЯ СТРУКТУРА ЦИКЛА ДИСЦИПЛИН, СВЯЗАННЫХ С АНАЛИЗОМ ДАННЫХ

ОСНОВНЫЕ ТРЕБОВАНИЯ К ПРЕДМЕТНО- МОДУЛЬНЫМ ОБРАЗОВАТЕЛЬНЫМ ПРОГРАММАМ
Программа должна учитывать уровень подготовки слушателей;
Программа должна содержать повышенные требования к промежуточному и выходному контролю знаний выпускников;
Программа должна избегать дублирования одинакового материала одного уровня сложности и тем самым повышать эффективность обучения.

ЦИКЛ ДИСЦИПЛИН УЧЕБНОГО ПЛАНА, СВЯЗАННЫХ С АНАЛИЗОМ ДАННЫХ:

ЦИКЛ ДИСЦИПЛИН УЧЕБНОГО ПЛАНА, СВЯЗАННЫХ С АНАЛИЗОМ ДАННЫХ:

ОСНОВНЫЕ ФАКТОРЫ, ВЛИЯЮЩИЕ НА КАЧЕСТВО ОБУЧЕНИЯ
Содержание и структура учебного материала (должны быть ориентированы на поэтапное ознакомление с анализом данных);
Методы обучения;
Материально-техническая база процесса обучения.

ПРИНЦИПЫ ПРОЕКТИРОВАНИЯ СОДЕРЖАНИЯ
Концептуальность (теоретический блок, технологический, практический блок);
Вариативность видов самостоятельной работы;
Использование современных информационных источников;
Опора на практику и реальные проблемы;
Ориентация на освоение компетенций в каждой теме;
Интегративность заданий.

МЕТОДЫ ОБУЧЕНИЯ

МАТЕРИАЛЬНО-ТЕХНИЧЕСКАЯ БАЗА ПРОЦЕССА ОБУЧЕНИЯ
Обеспеченность учебного процесса по указанным дисциплинам программно-информационными ресурсами

DEDUCTOR – ИНСТРУМЕНТАЛЬНОЕ СРЕДСТВО ДЛЯ РЕШЕНИЯ ЗАДАЧ АД
Наличие учебной версии;
Наличие в Deductor Academic самых современных методов извлечения, визуализации данных, кластеризации, многих других технологий интеллектуального анализа (Обработчик «Дерево решений», обработчик «Нейронные сети»);
Доступность для освоения пользователями, имеющими разные уровни компьютерной и математической подготовки.

«Применение современных информационных технологий и интеллектуальных методов анализа в задаче прогнозирования результатов спортивных состязаний»
«Разработка информационной
системы автоматизации мониторинга состояния водных ресурсов региона»
Дипломные проекты, выполненные на аналитической платформе Deductor