Section outline
-
Лк - старший викладач Походенко Б.О. групи: Е-21-24, Е-22-24, Е-16т1-25, ЕА-21-24, ЕМ-21-24, ЕП-21-24, ЕПП-21-24
Лк - старший викладач Походенко Б.О. групи: Ез-21-24, ЕАз-21-24, ЕМз-21-24, ЕППз-21-24, ЕПз-21-24
Пз - старший викладач Походенко Б.О. групи: Е-21-24, Е-22-24, Е-16т1-25, ЕА-21-24, ЕМ-21-24, ЕП-21-24, ЕПП-21-24
Пз - старший викладач Походенко Б.О. групи: Ез-21-24, ЕАз-21-24, ЕМз-21-24, ЕППз-21-24, ЕПз-21-24
Заняття відбуваються дистанційно у форматі веб-конференцій за посиланням:
On conference Zoom
https://us04web.zoom.us/j/2272646103?pwd=Y1BGUU4xb2tsYWtVVW13eHdBUEZuUT09
Identification conference: 227 264 6103
Code: 6eqvfm
-
Заняття 1. Комп'ютерні технології обробки даних та відкриті дані
Мета: формування у студентів цілісної системи знань, аналітичного мислення та практичних компетенцій у галузі комп'ютерних технологій обробки даних, культури Data Literacy та використання відкритих державних даних для прийняття ефективних рішень. Студент має засвоїти феномен даних у цифровій економіці, онтологічну концепцію DIKW (Дані – Інформація – Знання – Мудрість), поняття та структуру Data Literacy, а також ключові етапи управління життєвим циклом даних (DLM: збір, очищення/ETL, збереження, аналіз, візуалізація, архівація). У процесі навчання особлива увага приділяється опануванню методів класифікації даних (за структурованістю та скалярними типами), вивченню інженерного каркасу метрик якості даних (повнота, точність, унікальність, актуальність, узгодженість), а також дослідженню нормативно-правової бази України у сфері відкритих даних (Закон «Про доступ до публічної інформації», Постанови КМУ № 835, № 867) та інфраструктури Єдиного державного вебпорталу data.gov.ua. Студенти мають навчитися аналізувати та опрацьовувати машинозчитувані формати (CSV, JSON, XML, XLSX), виконувати автоматизований збір через CKAN API, проводити очищення та нормалізацію датасетів, а також оцінювати функціонал і алгоритми роботи GovTech/B2B-сервісів (Опендатабот, YouControl, VKURSI, Clarity App). Важливим практичним результатом є формування вміння критично оцінювати відкриті дані, дотримуватися етичних норм і вимог законодавства про захист персональних даних (GDPR) та будувати ефективні аналітичні рішення й дашборди на основі об'єктивних фактів для оптимізації управлінських і технологічних процесів.
-
Заняття 2. Формати, структури та підготовка даних
Мета: формування у студентів комплексу знань, аналітичних здібностей та практичних інженерних умінь у галузі вибору форматів збереження даних, реалізації архітектурних процесів ETL, нормалізації та очищення даних (Data Cleaning), а також автоматизації інженерних сценаріїв підготовки інформації за допомогою No-Code / Low-Code інструменту Power Query. Студент має засвоїти класифікацію форматів даних (структуровані, напівструктуровані, неструктуровані), глибоко зрозуміти фізичну, синтаксичну та порівняльну специфіку форматів CSV, XLSX, JSON, XML, а також осягнути фундаментальну концепцію ETL (Extract, Transform, Load) / ELT і правило GIGO (Garbage In, Garbage Out). У процесі навчання особлива увага приділяється практичному засвоєнню методів виявлення й усунення дефектів даних (кодування UTF-8, обробка пропусків, дедуплікація, очищення текстового шуму), опануванню принципів нормалізації Tidy Data та атомарності значений, а також вивченню процедур трансформації форм таблиць (Pivoting та Unpivoting). Важливим практичним результатом є формування вміння проєктувати відтворювані детерміновані алгоритми обробки даних у середовищі Power Query: налаштовувати коннектори до різнорідних джерел, виконувати об'єднання (Merge / Append), комбінувати файли з папок та читати/редагувати автоматично згенерований код на декларативній функціональній мові M (Advanced Editor) для створення автоматизованих пайплайнів підготовки даних, що оновлюються в один клік без пошкодження вихідних файлів-джерел.
-
Заняття 3. Базові методи та інструменти аналізу даних
Мета: формування у студентів комплексу теоретичних знань, критичного аналітичного мислення та практичних умінь у галузі застосування методів описової статистики, агрегації, вибірки та фільтрації даних, а також прийняття обґрунтованих управлінських рішень на основі концепції Data-Driven Decision Making (DDDM). Студент має засвоїти фундаментальні математичні поняття описової статистики, сутність мір центральної тенденції (середнє арифметичне, медіана, мода) та мір варіативності (розмах, дисперсія, стандартне відхилення), а також осягнути структуру циклу прийняття рішень на основі даних та природу когнітивних пасток інтерпретації. У процесі навчання особлива увага приділяється розумінню та порівняльному аналізу чутливості статистичних показників до викидів (зокрема робастності медіани), опануванню алгоритмічного патерну Split-Apply-Combine (розбиття – застосування – об'єднання) та дослідженню архітектури й функціоналу зведених таблиць (Pivot Tables). Студенти мають навчитися практично застосовувати інструменти аналітичної просторової і статистичної вибірки (Sampling), виконувати просту й багатокритеріальну логічну фільтрацію за допомогою операторів AND, OR, NOT, Regex та налаштовувати багаторівневе ієрархічне сортування масивів. Важливим аналітичним та оціночним результатом є формування здатності диференціювати кореляцію від причинно-наслідкового зв'язку (Correlation vs Causation), виявляти та нівелювати такі типові помилки інтерпретації, як парадокс Симпсона, систематична помилка вижившого (Survivorship Bias), упередження підтвердження (Confirmation Bias) та нехтування базовим масштабом, що забезпечує високу культуру інтерпретації фактів і дозволяє формулювати достовірні висновки для оптимізації інженерних та бізнес-процесів.
-
Заняття 4. Візуалізація даних та сучасні BI-системи. Принципи дашбордингу та візуального сторітелінгу (Data Storytelling). Огляд платформ Power BI та Google Looker Studio
Мета: формування у студентів цілісної системи знань, аналітичних здібностей та практичних умінь у галузі проєктування аналітичних дашбордів, застосування методів візуального сторітелінгу (Data Storytelling) та використання сучасних BI-платформ для підтримки прийняття управлінських рішень. Студент має засвоїти когнітивно-психологічні засади зорового сприйняття (доуважні атрибути, принципи Гештальт-психології), розрізняти дослідницьку (Exploratory) та пояснювальну (Explanatory) візуалізацію, а також осягнути трикомпонентну структуру Data Storytelling (дані, візуальні форми, наратив). У процесі навчання особлива увага приділяється опануванню методології та просторової архітектури дашбордингу — класифікації панелей за рівнями управління (стратегічні, тактичні, операційні), застосуванню F- та Z-патернів компонування, забезпеченню високого коефіцієнта Data-to-Ink Ratio та дотриманню колірної гігієни. Студенти мають навчитися аналізувати, порівнювати та обирати BI-інструменти під конкретні задачі (розрізняючи повнофункціональну корпоративну екосистему Microsoft Power BI з модулями Power Query, VertiPaq, мовою DAX та гнучкою безпекою RLS від хмарного сервісу експрес-звітності Google Looker Studio). Важливим практичним та оціночним результатом є формування здатності ідентифікувати й усувати графічні спотворення, візуальне сміття (Chartjunk, 3D-ефекти, зрізані осі Y, зловживання круговими діаграмами та подвійними осями), а також нівелювати когнітивні викривлення сприйняття (Confirmation Bias, Cherry Picking, Base Rate Fallacy, Framing Effect) для створення об'єктивних, інтерактивних та ергономічних аналітичних рішень.
-
Заняття 5. Сучасні хмарні бази даних та організація зберігання. Реляційні БД, таблиці, ключі. Вступ до мови запитів SQL (SELECT, WHERE, JOIN) та хмарних платформ (Supabase / PostgreSQL)
Мета: формування у студентів комплексу фундаментальних теоретичних знань, інженерного мислення та практичних навичок у галузі проектування реляційних моделей даних, написання аналітичних запитів декларативною мовою SQL та адміністрування сучасних хмарних систем зберігання (Managed PostgreSQL / Supabase). Студент має засвоїти архітектурну еволюцію систем зберігання від локальних файлів до Cloud-Native СУБД, математичні засади реляційної моделі Едгара Кодда (відношення, кортежі, атрибути, домени, правила 1NF), транзакційні вимоги моделі ACID, а також зрозуміти концептуальні відмінності між рядковими транзакційними OLTP-системами та стовпчиковими аналітичними OLAP-сховищами. У процесі навчання особлива увага приділяється опануванню ключової системи реляційних баз даних — проєктуванню первинних (PK) та зовнішніх (FK) ключів, реалізації принципу посилальної цілісності (Referential Integrity) із каскадними діями (ON DELETE CASCADE/RESTRICT), моделюванню зв'язків (1:1, 1:N, N:M через проміжні таблиці), а також засвоєнню синтаксичного й логічного порядку виконання запитів у СУБД. Студенти мають навчитися практично складати оптимізовані SQL-запити на вибірку та проекцію даних (SELECT, DISTINCT, обчислювані поля), застосовувати багатокритеріальну фільтрацію (WHERE із операторами AND, OR, NOT, IN, BETWEEN, LIKE, IS NULL) та здійснювати горизонтальне об'єднання множин за допомогою операторів роду JOIN (INNER, LEFT, RIGHT, FULL OUTER, CROSS JOIN). Важливим прикладним та порівняльним результатом є формування вміння оцінювати архітектурні переваги керованого PostgreSQL (PITR-відновлення, Read-репліки, підтримка гібридних типів JSONB та розширень PostGIS/pgvector) та розгортати хмарні бекенди на платформі нового покоління Supabase (використовуючи Auto-REST API, механізми Realtime через WebSockets та налаштування безпеки на рівні рядків Row-Level Security — RLS) для створення масштабованих, захищених та високопродуктивних аналітичних сховищ.
-
Заняття 6. Хмарні екосистеми, колективна обробка та No-Code автоматизація. Google Sheets, Microsoft 365. Основи автоматизації передачі даних між сервісами (Power Automate / Make / n8n)
Мета: формування у студентів комплексу теоретичних знань, архітектурного мислення та практичних умінь у галузі організації колективної обробки інформації в сучасних хмарних екосистемах, налаштування інструментів спільної роботи та проєктування міжсервісних інтеграційних пайплайнів на основі No-Code / Low-Code платформ. Студент має засвоїти передумови еволюції від локальних систем до хмарних робочих просторів, зрозуміти архітектурну специфіку Cloud-Native платформи Google Workspace та гібридної корпоративної екосистеми Microsoft 365, а також осягнути принципи подієво-орієнтованої архітектури (Event-Driven Architecture) і концепцію подолання проблеми «ізольованих острівців даних» (Data Silos). У процесі навчання особлива увага приділяється практичному опануванню механізмів колективної безпеки й контролю цілісності в хмарних табличних процесорах (розмежування ролей доступу Viewer/Commenter/Editor, захист діапазонів із розрахунковими формулами, аудит версій за принципом PITR та правила валідації вхідних даних), а також застосуванню динамічних хмарних функцій (IMPORTRANGE, FILTER, UNIQUE, SORT та SQL-подібної функції QUERY). Студенти мають навчитися конструювати автоматизовані ланцюги передачі даних, розрізняти механіку роботи опитувальних (Polling) та миттєвих тригерів (Webhooks), виконувати сопоставлення полів (Data Mapping), фільтрацію та маршрутизацію потоків між джерелами й цільовими діями (Actions). Важливим аналітичним та порівняльним результатом є формування здатності аргументовано обирати iPaaS-платформи відповідно до технічних та безпекових вимог організації (диференціюючи корпоративну екосистему з підтримкою RPA Microsoft Power Automate, інтерактивне візуальне полотно хмарного сервісу Make та Open-Source/Self-Hosted платформу n8n із можливістю виконання кастомного коду на JavaScript/Python) для створення надійних, масштабованих та автоматизованих аналітичних конвеєрів у режимі реального часу.
-
Заняття 7. Застосування штучного інтелекту для аналізу даних. Copilot, ChatGPT, Google Gemini. Промпт-інжиніринг для аналітики: генерація формул, інтерпретація CSV-масивів, етика та перевірка галюцинацій ШІ
Мета: формування у студентів комплексу теоретичних знань, критичного інженерного мислення та практичних умінь у галузі застосування технологій генеративного штучного інтелекту для аналізу даних, розробки детермінованих аналітичних промптів, автоматизованої інтерпретації табличних масивів та забезпечення кібергігієни й верифікації результатів у межах концепції AI-Augmented Analytics. Студент має засвоїти еволюцію парадигм аналізу від низькорівневого програмування (Pro-Code) до Prompt-Driven аналітики, архітектурні складові розширеної аналітики (Augmented Data Prep, Discovery, кодогенерація, NLG-сторітелінг), а також осягнути імовірнісну природу великих мовних моделей (LLM) та механізми виникнення математичних і логічних галюцинацій. У процесі навчання особлива увага приділяється порівняльному аналізу провідних хмарних екосистем — розрізненню обчислювальної пісочниці Python Sandbox (Code Interpreter) у ChatGPT, мультимодального середовища з великим контекстним вікном Google Gemini та корпоративної інтеграції з Power BI і DAX у Microsoft Copilot. Студенти мають навчитися практично проєктувати структуровані запити за фреймворком R-C-T-O (Role – Context – Task – Output), застосовувати спеціалізовані техніки Chain-of-Thought та Few-Shot Prompting для генерації складних SQL-запитів, функцій QUERY та DAX-вимірів, а також налаштовувати роботу автономних ШІ-агентів для покрокового профілювання, очищення, статистичного аналізу (EDA) та візуалізації CSV-масивів. Важливим аналітичним та оціночним результатом є формування здатності реалізовувати суворий чотириетапний протокол боротьби з галюцинаціями (примус до виконання коду, валідація на мікровибірках, крос-валідація, принцип Human-in-the-Loop) та забезпечувати дотримання стандартів приватності даних (GDPR, ISO/IEC 27001) через анонімізацію, маскування PII та використання захищених Enterprise API чи Self-Hosted моделей для безпечного й обґрунтованого прийняття управлінських рішень.
-
Заняття 8. Кібербезпека даних, гігієна та перспективи (Big Data, AI). Захист персональних даних (GDPR, законодавство України), резервне копіювання, двофакторна автентифікація. Огляд галузей Data Science, Big Data та AI-аналітики
Мета: формування у студентів цілісної системи знань, правової свідомості та практичних інженерних умінь у сфері захисту інформації, нормативно-правового комплаєнсу, кібергігієни й орієнтації у сучасних технологічних трендах інженерії даних. Студент має засвоїти еволюцію архітектур безпеки від застарілого периметрального захисту до моделі нульової довіри (Zero Trust Architecture — ZTA), фундаментальні засади міжнародного та національного нормативного регулювання (GDPR, Закони України № 2297-VI, № 2163-VIII, ISO/IEC 27001), а також осягнути триаду взаємодії напрямів Big Data, Data Science та AI-аналітики. У процесі навчання особлива увага приділяється розумінню та порівняльному аналізу трьох інженерних принципів ZTA (Explicit Verification, Least Privilege Access/JIT/JEA, Assume Breach із мікросегментацією та шифруванням Data-in-Transit / Data-at-Rest), опануванню концепцій Privacy by Design, Data Minimization та диференціації ролей контролера/процесора даних і прав суб'єктів (зокрема права на забуття та доступ). Студенти мають навчитися практично реалізовувати протоколи персональної та корпоративної кібергігієни: налаштовувати фішинг-стійку багатофакторну автентифікацію (FIDO2/Passkeys, TOTP), керувати обліковими даними через менеджери паролів за моделлю Zero-Knowledge, здійснювати анонімізацію і токенізацію PII-масивів та проєктувати відмовостійкі схеми резервного копіювання за розширеною стратегією 3-2-1-1-0 з використанням незмінного сховища (Immutable Storage / WORM). Важливим аналітичним та прогностичним результатом є формування здатності оцінювати сучасні технологічні вектори розвитку аналітики (потокову обробку в реальному часі на базі Kafka/Flink, гібридну архітектуру Data Lakehouse, векторні СУБД та RAG-системи), а також критично аналізувати й нівелювати юридичні та безпекові ризики при розгортанні корпоративних аналітичних конвеєрів.