Кафедра інформаційно-комунікаційних технологій та систем

[TS-19] Bigdata та методи їх обробки

Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Рівень вищої освіти	Третій (освітньо-науковий)
Галузь знань	-
Спеціальність
Освітня програма
Статус дисципліни	Нормативна
Форма здобуття вищої освіти	Очна
Рік підготовки, семестр	2 курс, весняний семестр
Обсяг дисципліни	5 кред. (Лекц. 36 год, Практ. 36 год, Лаб. год, СРС. 78 год )
Семестровий контроль/контрольні заходи	Екзамен
Розклад занять	https://rozklad.kpi.ua
Мова викладання	Українська
Інформація про керівника курсу / викладачів	Лекц.: Глоба Л. С., Практ.: Глоба Л. С.,
Розміщення курсу	https://drive.google.com/drive/folders/1Sk8E4ye0tomHnvf_-ZiaGWkLKWhAkXmp

Програма навчальної дисципліни

1. Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Дисципліна "BigData та методи їх обробки" “ є дисципліною спеціальної підготовки аспірантів та PhD студентів за спеціальністю 172 - Телекомунікації та радіотехніка та освітньо-науковоюю програмою «Телекомунікації та радіотехніка».

Навчальна дисципліна належить до циклу професійної та практичної підготовки та є профільною у підготовці фахівців із проектування корпоративних інформаційно-комунікаційних систем та мереж, а також створення, експлуатації інформаційних та обчислювальних ресурсів в глобальному телекомунікаційному середовищі.

Дисципліна складається з 2-х кредитних модулів: 1) BigData та методи їх обробки-1 та 2) BigData та методи їх обробки-2 та викладається 2 двох семестрах.

Програма навчальної дисципліни "BigData та методи їх обробки" є предметом спеціального навчання для аспірантів та PhD студентів, зосереджується на основних питаннях методів та алгоритмів вирішення інтелектуальних завдань у глобальному середовищі, використовуючи слабко пов'язані та слабо структуровані ресурси та потоки даних. Дисципліна забезпечує практичні навички використання програмного забезпечення для інтелектуальної обробки даних, знань та послуг у глобальному середовищі.

Матеріал, який викладається за даною дисципліною, висвітлив концепцію та продемонстрував найважливіші особливості обробки інформації за допомогою моделей подання знань: логічну, продуктивну (орієнтовану на правила), семантичну, фреймову, моделі на основі нечіткої логіки та нейронних мереж. Матеріали також розглядають методи та засоби аналізу інформаційних та обчислювальних ресурсів із використанням OLAP-систем та дозволяють отримати студентам навички використання сучасних OLAP-систем та програмного забезпечення нейронних мереж

Кредитний модуль "BigData та методи їх обробки -1" є модулем, який входить до дисципліни "BigData та методи їх обробки" спеціальної підготовки для аспірантів та PhD студентів і є профільною у підготовці фахівців із проектування та підтримки функціонування корпоративних інформаційно-комунікаційних систем та мереж, а також створення інформаційних та обчислювальних ресурсів в телекомунікаційному середовищі та аналізу даних, що циркулюють в них

Кредитний модуль "BigData та методи їх обробки -2" зосереджується на основних питаннях методів та алгоритмів вирішення інтелектуальних завдань у глобальному середовищі, використовуючи слабко пов'язані та слабо структуровані інформаційні та обчислювальні ресурси, а також потоки даних. Кредитний модуль забезпечує практичні навички використання програмного забезпечення для інтелектуальної обробки даних, знань та послуг у глобальному середовищі.

.Мета та завдання вивчення дисципліни

Метою вивчення дисципліни є:

надати студентам знання щодо сучасних математичних та алгоритмічних методів та засобів обробки значних обсягів даних у глобальній мережі, які слабо структуровані й логічно не пов’язані між собою;
забезпечити студентам навички використання сучасних інформаційних технологій, зокрема таких як технології зберігання даних, системи аналітичної обробки даних (таких як OLAP, ROLAP, журнали, вітрини даних та кабінети), інші інструменти аналітичної обробки, які є частиною сучасних системи баз даних, засоби отримання знань з даних у глобальному середовищі та застосування цих навичок для практичної реалізації майбутніх проектів, в тому числі власних наукових досліджень.

Основними завданнями вивчення дисципліни є:

отримання знань щодо структуризації абстрактних об’єктів та методів моделювання процесів у різних предметних областях, проектування робочих процесів сучасного web-орієнтованих програмних компонент, які забезпечують диференційовані послуги в розподіленому середовищі;
вміння застосовувати отримані знання для розробки сервіс-орієнтованого прикладного програмного забезпечення та отримати глибоке розуміння того, як вони обробляються;
формування здатності студентів самостійно отримувати знання для проектування, впровадження та підтримки сервіс-орієнтованих програмних компонентів, інструментів отримання даних та знань, а також застосовувати ці знання на практиці.

Згідно з вимогами програми навчальної дисципліни студенти після засвоєння матеріалу мають продемонструвати такі результати навчання:

знати:

алгоритми та аналітичні методи обробки даних та знань, способи та умови їх застосування;
основні моделі представлення знань:
- логічні,
- продуктивна (орієнтована на правила),
- семантичні,
- фреймові,
- моделі із застосуванням нечіткої логіки,
- моделі із застосуванням теорії графів та мета-графів,
- моделі із застосуванням нейронних мереж;

вміти:

розробляти та експлуатувати програмне забезпечення, яке реалізує розподілену обробку даних та знань на основі передових технологій на базі Інтранета та інтелектуальних алгоритмів;
працювати з інструментами аналітичної обробки даних, що є частиною корпоративних баз даних, сховищ даних та розподілених баз даних в Інтранет-середовищі;
розробляти та працювати зі сховищем даних та аналітичними інструментами сучасної бази даних;
використовувати сучасний інструментарій аналітичної обробки, який надається Cloud – провайдерами, зокрема AZURE, Google Data Analytics, IBM Data Analytics та інші.

досвід:

використання аналітичних алгоритмів та механізмів обробки даних та знань.
проектування, адміністрування систем аналізу Великих даних в глобальному середовищі;
використання сучасних технологій паралельних, хмарних, туманних обчислень, WEB-сервісів, технологій паралельних обчислень, підтримки розподілених в глобальному середовищі сховищ даних;
застосування перспективних технологій надання аналітичних послуг в глобальному середовищі, тому числі Cloud-, Fog- та інших віддалених Data-центрах.

2. Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Вивчення дисципліни ґрунтується на знанні студентами відомостей, передбачених навчальним планом курсів інформатики та програмування. Математичною базою дисципліни служить теорія масового обслуговування, інтелектуальна обробка інформації. Навчальними дисциплінами, що забезпечують вивчення дисципліни, є: Інформатика, Телекомунікаційні мережі, Інформаційне забезпечення телекомунікаційних систем-2. Програмне забезпечення створення баз даних, Прикладне програмування в телекомунікаційних системах, Мережні технології, Інтернет системи-1. Адміністрування телекомунікаційних систем, Розподілені системи, Системи розподіленої обробки інформації в телекомунікаційних мережах, Інтелектуальна обробка інформації.

Математичною базою дисципліни служать теорія множин, дискретна математика, операційне обчислення, теорія випадкових процесів та інш.

3. Зміст навчальної дисципліни

Назви розділів і тем	Кількість годин
	Всього	у тому числі
		Лекції	Практичні (семінарські)	Лабораторні (комп’ютерний практикум)	СРС

1	2	3	4		5	6
Великі Дані та методи їх обробки
Основні напрямки досліджень у галузі штучного інтелекту. Дискретна математика та математична логіка, теорія нечітких множин та нечітка логіка, нейронні мережі, генетичні алгоритми та приклади їх застосування
Розділ 1. Основні напрямки досліджень у галузі штучного інтелекту. Дискретна математика та математична логіка.
Тема 1.1. Елементи дискретної математики Математична логіка для аналізу великих даних	6	2	-		-	4
Тема 1.2. Логіка предикатів та логічний висновок Експертні системи Приклади вирішення практичних задач	6	2	-		-	4
Розділ 2. Теорія нечітких множин та нечітка логіка
Тема 2.1. Нечіткі множини. Ключові терміни та визначення Нечітка арифметика Нечіткі відношення та їх властивості Операції з нечіткими відношеннями Нечітка логіка. Лінгвістичні змінні. Нечітка правда. Нечіткі логічні операції	6	2	-		-	4
Тема 2.2. База нечітких знань Нечіткий логічний висновок	6	2	-		-	4
Розділ 3. Нейронні мережі
Тема 3.1. 1. Нейронні мережі 2. Адаптивна мережа нечіткого логічного висновку 3. Лінгвістичні правила при прийнятті рішень	12	4	-		-	8
Розділ 4. Генетичні алгоритми та приклади їх застосування
Тема 4.1. 1. Генетичні алгоритми	6	2	-		-	4
Тема 4.2. Вирішення задачі проектування графіка обробки цифрових потоків контролером широкосмугових радіомережних систем	6	2	-		-	4
Методи обробки значних обсягів великих даних, теорія метаграфів, приклади аналізу великих даних, сучасний інструментарій
Розділ 5. Обробка даних із застосуванням бази знань з деревоподібною структурою та комбінованою схемою виведення
Тема 5.1. Характеристика обробки даних у складних організаційних системах Обробка даних та знань у складних адміністративних системах на основі деревоподібної нечіткої бази знань Побудова та налаштування нижньої частини бази знань із нечіткими деревами Підхід до гнучкого проектування програмного забезпечення для обробки даних та знань	12	4		-	-	8
Розділ 6. Теорія метаграфів та їх застосування на практиці
Тема 6.1. 1. Графи, гіперграфи та метаграфи 2. Теорія метаграфів	6	2		-	-	4
Тема 6.2. Застосування метаграфів Представлення нечіткої бази знань у вигляді метаграфів та операції з нею	6	2		-	-	4
Розділ 7. Семантичний Web та мета описи обчислювальних та інформаційних ресурсів
Тема 7.1. Semantic Web як нова модель інформаційного простору Інтернету. Метадані. Онтології Мови запитів до сховищ RDF Логічний висновок Забезпечення цілісності та послідовності Агенти та сервіси Практична реалізація Semantic Web	6	2		-	-	4
Тема 7.2. Мета описи Web-сервісів і UDDI специфікація Удосконалений підхід до композиції WEB-сервісів Удосконалений підхід до знаходження та вибору WEB-сервісів Підвищення релевантності знаходження WEB-сервісів у мульти-онтологічному середовищі Результати моделювання Проектування деревоподібної структури обчислень (Web-сервісів) та інформаційних ресурсів на основі мета описів	6	2		-	-	4
Розділ 8. Методи побудови порталів на основі знань
Тема 8.1. Підходи щодо аналізу та систематизації інформації на порталі знань у галузях науки та інженерії Формальна алгебраїчна система подання знань на порталі знань у галузях науки та інженерії	6	2		-	-	4
Тема 8.2. Метод формування дерева для складних функціональних елементів (послідовності обчислень) Інструментарій систематизації та структурування інформаційних та обчислювальних ресурсів для порталу знань у галузях інженерії	6	2		-	-	4
Розділ 9. Сховища даних. Куби даних. OLAP-системи. Вітрини даних. Потоки даних. Видобуток даних
Тема 9.1. Сховища даних Куби даних	27	2		-	18	7
Тема 9.2. OLAP-системи Вітрини даних. Потоки даних. Видобуток даних та знань	27	2		-	18	7
Всього за дисципліною	150	36		-	36	78

4. Навчальні матеріали та ресурси

4.1. Базова література

Osvaldo Gogliano Sobrinho, Liedi Ledi Mariani Bernucci, Pedro Luiz Pizzigatti Corrêa, Rosângela dos Santos Motta, Jeaneth Machicao, Angelo Samuel Junqueira, Robson Correia da Costa, Wellingthon Dias de Queiroz, Thales Cesar Giriboni de Mello e Silva, Pedro Lopes Ferraz, Luciano Cassaro, Luciano Oliveira. Big data analytics in support of the under-rail maintenance management at Vitória – Minas Railway. – IEEE, 2021 IEEE International Conference on Big Data (Big Data), 2021
T.N. Baydyk Neural networks and artificial intelligence tasks, Kiev, "Naukova Dumka", 2001, 263 p.
Joelson Antônio dos Santos, Talat Iqbal Syed, Murilo C. Naldi, Ricardo J. G. B. Campello, Joerg Sander. Hierarchical Density-Based Clustering Using MapReduce. - IEEE Transactions on Big Data. – IEEE, Volume: 7, Issue: 1, 26 March 2019, p.102 – 114, DOI: 10.1109/TBDATA.2019.2907624
Xiao Wang, Deyu Bo, Chuan Shi, Shaohua Fan, Yanfang Ye, Philip S. Yu.- A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources. – IEEE, EEE Transactions on Big Data, 24 May 2022, p.1-1, DOI: 10.1109/TBDATA.2022.3177455
Dhruba Borthakur. The Hadoop Distributed File System: Architecture and Design: - 44 p. http://hadoop.apache.org/core/.
Ken Mann, M. Tim Jones. Distributed computing with Linux and Hadoop: Introduction and architecture: IBM Corporation Press – 11p.
Peter Prevos. Principles of Strategic Data Science. Packt, 2019. – p. 104
Wayne L. Winston, Microsoft Excel 2016 - Data Analysis and Business Modeling: Microsoft Press, 2017- 208p. - https://www.amazon.in/Microsoft-Excel-2016-Analysis-Business/dp/8120353358
Feng Xia, Ke Sun,nShuo Yu, Abdul Aziz, Liangtian Wan, Shirui Pan, Huan Liu. Graph Learning: A Survey, IEEE Transactions on Artificial Intelligence, IEEE, 2021, p. 109 - 127
ISBN 9785996314959А.Федоров, Д. Мартынов. Windows Azure™:Oблачная платформа Microsoft, 100 p.
О.Г. Додонов, О.В. Коваль, Ю.Д. Бойко, Л.С. Глоба. Ком п’ютерне моделювання інформаційно-аналітичних систем - Київ.: ІПРІ НАН України, 2016. -200 с

4.2. Допоміжна література

Hongming Cai, Boyi Xu, Lihong Jiang, Athanasios V. Vasilakos. IoT-Based Big Data Storage Systems in Cloud Computing: Perspectives and Challenges, IEEE INTERNET OF THINGS JOURNAL, VOL. 4, NO. 1, FEBRUARY 2017, p.p. 75-87
Developing Microsoft Azure Solutions, 20532C, O F F I C I A L M I C R O S O F T L E A R N I N G P R O D U C T, Microsoft Corporation, 2015, 208 p.
Korotkii S. Neural network: basic concepts // http://www.neuropower.de/rus/books/index.html
Rothstein A.P. Intelligent identification technology, fuzzy sets, genetic algorithms, neural networks. - Vinnica: The UNIVERSUM, 1999. -320 p.
Subbotin S.A. Knowledge presentation and processing in the artificial intelligence and decision support systems: Handbook. - Zaporozhye, Zaporozhye National Technical University, 2008. - 341 p.
Henrik Brink, Joseph W. Richards, Mark Fetherolf Real-world Mashing Leaning: Manning Publications Co., 2017.- 243 p,
Lokesh Lalwani. Excel 2019 All-in-One: Master the new features of Excel 2019 / Office 365: Microsoft Press, 2019- 286 p. - https://www.amazon.in/Excel-2019-All-Lokesh-Lalwani/dp/9388511581/ref=pd_bxgy_img_3/258-1043074-6616860?_encoding=UTF8&pd_rd_i=9388511581&pd_rd_r=97d0c9a6-fad2-4978-8351-5403517ddffc&pd_rd_w=3hVOj&pd_rd_wg=GBTiX&pf_rd_p=3e9f62d7-4196-4823-b41a-9bba671558ea&pf_rd_r=ZXE7MHY12ZY6YMSV2B00&psc=1&refRID=ZXE7MHY12ZY6YMSV2B00
Mykhailo Ilchenko, Leonid Uryvsky, Larysa Globa. Advances in Information and Communication Technology and Systems, The book series Lecture Notes in Networks and Systems, Volume 152, ISSN 2367-3370 ISSN 2367-3389 (electronic), Lecture Notes in Networks and Systems, ISBN 978-3-030-58358-3 ISBN 978-3-030-58359-0 (eBook), https://doi.org/10.1007/978-3-030-58359-0, 2021, Springer Nature Switzerland AG 2021, 436 р., https://link.springer.com/book/10.1007/978-3-030-58359-0
Mykhailo Ilchenko, Leonid Uryvsky, Larysa Globa, Advances in Information and Communication Technologies, Processing and Control in Information and Communication Systems, The book series Lecture Notes in Electrical Engineering, Volume 560, ISSN 1876-1100 ISSN 1876-1119 (electronic), Lecture Notes in Electrical Engineering, Print ISBN 978-3-030-16769-1,ISBN 978-3-030-16770-7 (eBook), Springer Nature Switzerland AG 2019, 299 с., https://doi.org/ 10.1007/978-3-030-16770-7, https://link.springer.com/book/10.1007/978-3-030-16770-7, 560 р.

Навчальний контент

5. Методика опанування навчальної дисципліни (освітнього компонента)

Лекційні заняття

№ з/п	Назва теми лекції та перелік основних питань
	Кредитний модуль 1 - BigData та методи їх обробки-1
	Основні напрямки досліджень у галузі штучного інтелекту. Дискретна математика та математична логіка, теорія нечітких множин та нечітка логіка, нейронні мережі, генетичні алгоритми та приклади їх застосування
1	Тема 1. Основні напрямки дослідження штучного інтелекту. Окремі розділи дискретної математики та математичної логіки (Лекції 1,2,3,4) Основні питання: Лекція 1. Цілі та завдання Дискретна математика Множини. Алгебра множин Булеві функції. Булева алгебра Визначення та метод визначення булевих функцій Диз’юнктивна та кон’ютивна нормальні форми (CNF, DNF) Робота з диз’юнктивними нормальними формами Метод Квайна - Мак Клоска для знаходження мінімальної ДНФ Лекція 2. Введення до математичної логіки Формальні моделі Логіка пропозицій Твердження та доказ теорем Перевірка ланцюжка доказів Силогізми Логічний наслідок Основна теорема виведення Приведення в нормальну форму Метод резолюцій Інші методи Адекватність логіки пропозицій Огляд логіки предикатів та логічного висновку Предикати Вільні та зв’язані змінні Інтерпретація Еквівалентність логіки предикатів Логічне виведення в логікі предикатів Алгоритм уніфікації Логічне програмування Лекція 3. Логічне виведення в мові Prolog Застосування логічного виведення для аналізу об’єктів та процесів Експертні системи Лекція 4. Приклади вирішення завдань виробничого процесу Принципи лінгвістичного моделювання Базова структура експертних правил Підсумки Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.
2	Тема 2. Вступ до теорії нечітких множин та нечіткої логіки (Лекції 5,6,7) Основні питання: Лекція 5. Нечіткі множини. Базові терміни та визначення. Властивості нечітких множин Операції на чітких множинах Нечітка арифметика Нечіткі відношення та їх властивості Операції над нечіткими відношеннями Лекція 6. Нечітка логіка Лінгвістичні змінні Нечітка правда Операції нечіткої логіки База нечітких знань Лекція 7. Нечітке логічне виведення Композиційне правило нечіткого виведення Заде Нечітке логічне виведення Мамдані Нечітке логічне виведення Сугено Модель однозначного нечіткого логічного виведення Нечітке логічне виведення для задач класифікації Ієрархічна система нечіткого логічного висновку Підсумки Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.
3.	Тема 3. Нейронні мережі (Лекції 8,9,10) Основні питання: Лекція 8. Нейронні мережі Базові визначення Моделювання нервових клітин Математична модель нейрона Навчання нейронної мережі Метод зворотного поширення помилки Лекція 9. Адаптивна мережа нечіткого виведення Лекція 10. Лінгвістичні правила і процес прийняття рішень Автоматизоване керування 3.2. Ситуаційне керування 3.3. Медична діагностика 3.4. Багато критеріальне оцінювання 3.5. Багатоваріантний аналіз 4. Підсумки 5. Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.
4.	Тема 4. Генетичні алгоритми та приклади їх використання (Лекції 11,12, 13) Основні питання: Лекція 11. 1. Генетичні алгоритми 1.1. Основні визначення 1.2. Генетичні оператори 1.3. Представлення даних у генах 1.4. Стратегії відбору та формування нового покоління 1.5. Теорема о патернах та шаблонах 1.6. Моделі генетичних алгоритмів 1.7. Функції тестування Лекція 12. 2. Вирішення завдань проектування розкладу для цифрової обробки потоків даних контролером систем широкосмугової радіомережі 2.1. Оцінка ефективності обробки послідовності операцій для формування цифрового потоку 2.2. Паралельна обробка даних для формування кадру цифрового потоку 2.3. Підходи щодо формування послідовності операцій для формування цифрового потоку 2.4. Методи аналізу та оптимізації послідовності виконання операцій для формування кадру цифрового потоку контролером радіомережі 2.4.1. Формальна модель процесу формування кадру цифрового потоку 2.4.2. Метод підвищення ефективності операцій з формування цифрового потоку 2.4.3. Аналіз вимог до процесу формування кадру цифрового потоку контролером радіомережі 2.4.4. Оптимізація часу використання апаратних ресурсів при формуванні цифрового потоку Лекція 13. 2.5. Метод планування виконання операцій з формування кадру цифрового потоку контролером радіомережі 2.5.1. Планування операцій у програмному блоці формування кадру цифрового потоку контролером радіомережі 2.5.2. Проектування математичних моделей обчислювального процесу для формування кадру цифрового потоку 2.5.3. Аналіз обчислювального процесу для формування кадру цифрового потоку 2.5.4. Алгоритми виконання планування операцій для формування кадру цифрового потоку 2.5.5. Онлайн оптимізація планування виконання атомарних операцій 2.6. Експериментальні результати у вигляді діаграми та аналіз діаграм виконання послідовності формування операцій для цифрового потоку контролером радіомережі на прикладі формування кадру LTE 2.7. Реалізація методу підвищення ефективності формування цифрового потоку контролером радіомережі 3. Підсумки 4. Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.
	Кредитний модуль 2 - BigData та методи їх обробки-2
	Методи обробки значних обсягів великих даних, теорія метаграфів, приклади аналізу великих даних, сучасний інструментарій
	Тема 5. Обробка даних на основі деревоподібної нечіткої бази знань з комбінованою схемою виведення Основні питання: Лекція 1. 1. Обробка інформації у складних організаційних системах 1.1. Питання управління складними адміністративними системами 1.2. Структура інформаційного потоку в складних адміністративних системах 1.3. Методи систематизації та аналізу обробки інформації у складних адміністративних системах 1.4. Обробка даних на основі підсистеми нечіткого виведення 1.4.1. Підсистема нечіткого виведення загального вигляду 1.4.2. Проблеми використання невпорядкованої бази знань 1.5. Методи та способи визначення функції належності 1.6. Аналіз підходів до програмних модулів проектування обробки інформації Лекція 2. 2. Підхід до обробки інформації у складних адміністративних системах 2.1. Зведення нечіткої бази знань до деревної структури 2.2. Модифікація підсистеми нечіткого виведення 2.2.1. Модифікація схеми нечіткого виведення 2.2.2. Структура модифікації підсистеми нечіткого виведення 2.3. Представлення вершини нечіткої бази знань як класичної логічної бази знань 2.4. Метод обробки даних на основі деревоподібних нечітких баз знань зі змішаною схемою виведення Лекція 3. 3. Побудова та налаштування нижньої частини деревоподібної нечіткої бази знань 3.1. Підхід до розробки та налаштування нижньої частини бази знань 3.2. Представлення нижньої части нечіткої бази знань у вигляді нечіткої нейронної мережі 3.3. Формування структури нижньої частини нечіткої бази знань 3.3.1. Спрощення нечіткої бази знань за подібністю 3.3.2. Побудова початкової нечіткої бази знань нижчого рівня 3.3.3. Формування нижньої частини нечіткої бази знань методами генетичного програмування 3.4. Налаштування термів функцій належності для лінгвістичних змінних нижчого рівня Лекція 4. 4. Розробка гнучких програмних компонентів для обробки інформації 4.1. Основні питання для розвитку 4.1.1. Інструменти гнучких програмних компонентів 4.1.2. Прив’язка до предметної області 4.1.3. Автоматична побудова запиту до бази даних 4.2. Досвід практичного використання гнучких програмних компонентів обробки інформації 4.2.1. Формалізація предметної області «Державна ДАІ України» 4.2.2. Прив'язка програмного модуля обробки даних до предметної області 4.2.3. Аналіз ДТП та злочинності на дорогах України 5. Підсумки 6. Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.
	Тема 6. Метаграфи та їх застосування Основні питання: Лекція 5. 1Графи, Гиперграфи, Метаграфи 1.1. Графи та візуалізація даних 1.2. Структури графа Лекція 6. 2. Теорія матаграфів. 2.1. Алгебраїчна структура метаграфів 2.1.1Формальне представлення метаграфа 2.1.2. Матриці інцидентності та суміжності 2.1.3. Визначення мета шляхів 2.2. Властивості зв’язків метаграфів 2.2.1. Домінуючі мета шляхи 2.2.2. Ножиці та мостки 2.3. Перетворення метаграфів 2.3.1. Ієрархічна абстракція, що використовує проекції 2.3.2. Зворотний метаграф 2.3.3. Метаграф потоку елементів 2.4. Атрибутивні метаграфи 2.4.1. Якісні атрибути 2.4.2. Кількісні атрибути 2.4.3. Умовні метаграфи. Проекції умовних метаграфів. Зв'язок та надмірність 2.5. Незалежний підматаграф Лекція 7. 3. Застосування метаграфів 3.1. Представлення нечіткої бази знань у вигляді метаграфа 3.2. Візуалізація та аналіз правильності нечіткої бази знань за допомогою метаграфів 3.3. Методи виведення на основі метаграфів 4. Підсумки 5. Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.
	Тема 7. Мета-описи семантичного Web, обчислювальних та інформаційних ресурсів Основні питання: Лекція 8. Semantic Web – нова модель інформаційного простору Інтернет Мотивація розвитку семантичного підходу до опису обчислювальних (Web-сервісів) та інформаційних ресурсів Концепція semantic Web Архітектура semantic Web URI – уніфікований ідентифікатор ресурсів Документи: Extensible Markup Language (XML) Визначення: Загальна схема опису ресурсу RDF, схема RDF Metadata Онтології Мови запитів до сховищ RDF Логічне виведення Забезпечення цілісності та послідовності Агенти та сервіси Практичне впровадження Semantic Web Лекція 9. Мета-описи Web-сервісів. Специфікація UDDI Лекція 10. Удосконалений підхід до створення Web-сервісів Удосконалений підхід до пошуку та вибору Web-сервісів Лекція 11. Підвищення релевантності знаходження Web-сервісів у мульти-онтологічному середовищі Огляд існуючих підходів Метод оцінки подібності Web- сервісів Результати моделювання Формування деревоподібної структури для обчислювальних (Web-сервісів) та інформаційних ресурсів на основі мета описів Підсумки Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.
	Тема 8. Методи побудови порталів на основі знань Основні питання: Лекція 12. 1. Аналіз підходу до систематизації даних та знань на порталі знань 1.1. Систематизація та структурування інформації складних інформаційних систем у галузях науки та інженерії 1.2. Опис особливостей, питання створення, підходи та моделі 1.3. Формальні алгебраїчні системи для порталу знань, основні визначення та поняття Лекція 13. 2. Формальна алгебраїчна система подання наукових та інженерних знань 2.1. Модель алгебраїчної системи порталів знань у галузях науки та інженерії 2.2. Операції алгебри обчислень 2.3. Середовища даних 2.4. Властивості простих операцій алгебри обчислень 2.5. Властивості складних операцій алгебри обчислень Лекція 14. 3. Спосіб формування дерева загальних функціональних елементів 3.1. Підхід до побудови складних функціональних елементів 3.2. Стадії розробки загальних функціональних елементів 3.3. Метод побудови складного динамічного робочого процесу для порталів знань в галузях науки та інженерії Лекція 15. 4. Програмні засоби систематизації та структурування інформаційних та обчислювальних ресурсів на порталах знань 4.1. Основна концепція розробки програмних засобів 4.1.1. Комплекс програмних засобів систематизації та структурування інформаційних та обчислювальних ресурсів на порталі знань 4.1.2. Спосіб взаємодії інформаційних та функціональних елементів на порталі знань 4.1.3. Структурування та систематизація знань 4.1.4. Програмні засоби для динамічної побудови робочого процесу 4.2. Досвід практичного використання програмних засобів 4.2.1. Портал "Міцність матеріалів" 4.2.2. Портал “Національний антарктичний науковий центр України” 5. Підсумки 6. Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.
9.	Тема 9. Сховища даних. Куби даних. OLAP-системи. Вітрини даних. Потоки даних. Видобуток даних Основні питання: Лекція 16. Сховища даних Концепція сховища даних Порівняння он-лайн систем обробки транзакцій та сховища даних Проблеми побудови та обслуговування сховищ даних Архітектура сховищ даних Інформаційні потоки в сховищах даних Інструменти та технології зберігання даних Підходи щодо зберігання даних Куби даних 2.1. Денормалізована база даних у вигляді розмірностей 2.2. Методологія “розмірностей” 2.3. Схеми зірок та сніжинок 2.4. Куби даних, ієрархії, агрегати 2.5. Впровадження варіантів сховищ даних 2.6. Формати збереження даних у кубах OLAP Лекція 17. OLAP-системи Порівняльний аналіз OLAP інструментів Прикладні програмні компоненти OLAP та переваги OLAP Подання багатовимірних даних Правила Codd для вибору інструментів OLAP Технології обробки даних Методи обробки даних Вітрини та маркери даних. Потоки даних Розробка структури маркерів даних в SQL Server Management Studio Встановлення розмірностей, параметрів та зв’язків Заповнення пустих вікон маркерів даних, які використовують Integration Services Створення проекту Integration Service Створення потоку завдань першого рівня та відповідного потоку даних. Потік даних другого рівня. Потік даних третього рівня Надходження потоку даних до таблиці фактів Розширені налаштування куба Перспективи створення. Розробка та використання ключових показників ефективності Створення реляційної схеми з багатовимірного куба Лекція 18. Обробка даних Мета використання аналітичних сервісів Моделі видобутку даних Алгоритми видобутку даних Побудова моделі видобутку даних Аналіз моделі «наївного Байєса» Підсумки Посилання на літературні джерела Дидактичні засоби: Слайди на даною темою та онлайн -підручники Завдання для самостійної роботи: повторити та провести поглиблений аналіз лекційних матеріалів з використанням рекомендованої літератури.

Практичні заняття

Метою виконання практичних завдань є: отримання студентами базових практичних навичок користування сховищами даних, аналітичними інструментами для обробки даних, такими як ROLAP, MOLAP, уміння розробляти просту експертну систему, володіння навичками використання сучасних мов для статистичної обробки даних.

№ з/п	Назви практичних занять	години
	BigData та методи їх обробки-1
	Основні напрямки досліджень у галузі штучного інтелекту. Дискретна математика та математична логіка, теорія нечітких множин та нечітка логіка, нейронні мережі, генетичні алгоритми та приклади їх застосування
1	Обробка даних із використанням Microsoft Visual Studio	-
2	Застосування MS Excel як віддаленого клієнта MS SQL Server та MS Analysis Server в середовищі Інтернет	-
3	Побудова експертної системи на базі продукційної моделі	-
4	Особливості обробки статистичних даних	-
	BigData та методи їх обробки- 2
	Методи обробки значних обсягів великих даних, теорія метаграфів, приклади аналізу великих даних, сучасний інструментарій
1	Побудова семантичної мережі	-
2	Побудова фреймової моделі даних	-
Всього за дисципліною		-

Лабораторні заняття

Проведення лабораторних занять не передбачено навчальним планом

6. Самостійна робота студента

Самостійна робота націлена на проведення наукового пошуку та узагальнення знайдених матеріалів з метою їх використання у подальшому для підготовки наукової роботи.

№ з/п	Назва самостійної роботи	години
	BigData та методи їх обробки-1
1	Методи оптимізації, засновані на мурашиних колоніях	19,5
2	Нечіткі бази знань	19,5
	BigData та методи їх обробки-2
3	Онтології та Semantic Web	19,5
4	Технології побудови бізнес-процесів із застосуванням онтології	19,5

Індивідуальні завдання

Індивідуальні завдання передбачаються як он-лай проходження курсів з отриманням сертифікату на ресурсі Coursera за темами:

1. IBM Data Science

2. Deep Learning&Maching Learning

3. Google IT Automation with Python

4. Applied Data Science

5. Developing Applications with Google Cloud Platform

6. Data Engineering, Big Data, and Machine Learning on GCP

Політика та контроль

7. Політика навчальної дисципліни (освітнього компонента)

Теми дисципліни взаємозв’язані, матеріал вивчається в логічній послідовності, закріплення матеріалу здійснюється на практичних заняттях та під час самостійної підготовки студентів. Завершується вивчення навчальної дисципліни екзаменом.

На лекціях розкриваються найбільш суттєві теоретичні питання, які дозволяють забезпечити студентам можливість глибокого самостійного вивчення всього програмного матеріалу.

Теоретичні знання закріплюються практичними навиками шляхом виконання практичних та індивідуальних робіт.

Додатковий матеріал, або той, що не вимагає керівництва викладача, виноситься на самостійні заняття.

Вивчення всіх тем здійснюється загально прийнятою методикою: основи знань викладаються на лекціях: методи, технології, протоколи надання послуг щодо проведення аналітичної обробки інформації та використання віддалених Data-центрів , які надають послуги в глобальній мережі.

На заняттях використовуються презентації Power Point, слайди, навчальні схеми, стенди, технічні засоби навчання, матеріальна частина засобів і комплексів, обчислювальна техніка.

Контроль засвоєння навчального матеріалу здійснюється індивідуальним опитуванням, письмовими відповідями на поставлені питання з використанням джерел інформації (відповіді творчого плану) і без їх використання (доповіді матеріалу, який вивчається), співбесідою в індивідуальному порядку на консультаціях, а також на екзамені.

Розподіл навчального часу за видами занять і завдань з дисципліни згідно з робочим навчальним планом.

Рекомендований розподіл навчального часу

Форма навчання	Кредитні модулі	Всього		Розподіл навчального часу за видами занять				Семест-рова атес-тація
Форма навчання	Кредитні модулі	кре-ди-тів	годин	Лекції	Практичні (семінарські) заняття	Лабораторні роботи (комп’ютерні практикуми)	СРС	Семест-рова атес-тація
Денна	1	5	150	36	-	36	78	екзамен
Заочна	-	-	-	-	-	-	-	-

8. Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Рейтинг студента з дисципліни складається з балів, які він отримує:

1) за роботу на лекційних заняттях;

2) за роботу на практичних заняттях;

3) за письмову відповідь на МКР;

4) за відповідь на екзамені.

1. Лекційні заняття

Ваговий бал за присутність на лекції – 1 та підготовка конспекту – 4;

На протязі вивчення дисципліни проводиться 31 лекційне заняття, кожен студент має можливість бути присутнім на кожному з занять

Максимальна кількість балів за присутність та роботу на лекції : 31х1= 31

Максимальна кількість балів за лекційні заняття – 31+4 = 35

Самостійна практична робота

Ваговий бал – 5:

– завдання виконано повністю і самостійно – 1;

– завдання виконано не повністю або за допомогою викладача – 0,5.

– практичне завдання не виконано – 0.

Максимальна кількість балів – 5.

2. Самостійна підготовка лабораторного практикуму (1 завдання)

Ваговий бал – 20:

– робота виконана без помилок, оформлена згідно вимогам – 20;

– робота не має помилок, проте є зауваження – 15...18;

– є помилки, але хід розв’язання правильний – 15...10;

– робота має суттєві помилки, результат невірний – 0.

Максимальна кількість балів – 20 х 1 = 20.

4. Критерії оцінювання під час екзамену

1. Повні відповіді на 3 теоретичні запитання та вірне виконання практичного завдання – 10 х 4 = 40;

2. Повні відповіді на теоретичні запитання, завдання виконано невірно – 40;

3. Часткові відповіді на теоретичні запитання при вірному виконанні практичного завдання – 25;

4. Відсутня відповідь на одне з теоретичних питань – 10;

5. Відсутні відповіді – 0.

Штрафні бали:

– за недопущення до лабораторних робіт у зв’язку з незадовільним вхідним контролем - 1 бал;

– за відсутність на лабораторному занятті без поважної причини - 2 бали;

– за невчасне (більш ніж 1 тиждень) подання СР - 3 бали; звіт з лабораторної роботи (наступного дня) – 3 бали.

Заохочувальні бали:

– за участь у факультетській олімпіаді з дисципліни, модернізації лабораторних робіт, виконання завдань із удосконалення дидактичних матеріалів з дисципліни надається + 5 ... + 10 (заохочувальних) балів.

Розрахунок шкали (R) рейтингу:

Сума вагових балів контрольних заходів протягом семестру складає: R_C = 35+5+20 = 60 балів.

Екзаменаційна складова шкали дорівнює 30-40% від R:

R_E = 40 балів

Таким чином, рейтингова шкала з дисципліни складає: R = R_C + R_E = 60+40 = 100 балів.

Необхідною умовою допуску до екзамену є стартовий рейтинг RD не менший за 40% від суми вагових балів контрольних заходів протягом семестру

RD=>0,4R_C = 24 бали.

Студенти, які отримали оцінку F (стартовий рейтинг менший за 24 балів), до екзамену не допускаються і повинні підвищити свій рейтинг.

У разі, коли стартовий рейтинг студента не менш ніж 0,9 від максимально можливого r_c>0,9R_C = 54 бали, екзаменатор має право без додаткового опитування виставити (за згодою студента) традиційну оцінку "добре" ("B" або "C" – у системі ECTS).

Критерії екзаменаційного оцінювання приведені в таблиці 1, виходячи з розміру шкали R_E = 40 балів.

Таблиця 1

			*Оцінка ECTS* та визначення**	Традиційна оцінка
Методика оцінювання	Бали	Критерії	*Оцінка ECTS* та визначення**	Традиційна оцінка
повна відповідь на всі теоретичні питання і у повному обсязі	36…40	0,9R<=RD	A – відмінно	відмінно
не повна відповідь на одне теоретичне питання білету і повна на інші	34…35	0,85R<=RD<0,9R	B – дуже добре	добре
не повна відповідь на два теоретичне питання білету і повна на інші	30…33	0,75R<=RD<0,85R	C – добре	добре
не повна відповідь на всі теоретичні питання білету	26…29	0,65R<=RD<0,75R	D – задовільно	задовільно
відсутність відповіді на одне з питань білету	24…25	0,6R<=RD<0,65R	E – достатньо	задовільно
відсутність відповіді на два з питань білету	< 24	RD<0,6R	FX – незадовільно	незадовільно
відсутність відповіді більш ніж два питання білету	< 16	RD<0,4R	F – незадовільно (потрібна додаткова робота)	недопущено

Умовою допуску студента до екзамену є:

– відсутність заборгованості з лабораторних робіт, самостійної роботи та інших видів занять;

– початковий рейтинг r_С> 50 балів;

– хоча б одна позитивна атестація.

Оцінка студент залежить від рейтингу:

– якщо рейтинг r_С не менше ніж 0,9 від максимального R_С (не менше 90 балів), екзаменатор має право, за згодою студента, виставити оцінку “добре” (“В” або “С”) без опитування;

– якщо студенти мають рейтинг більший 90 балів, то можуть отримати оцінку “автоматом”, або здавати екзамен з метою підвищити оцінку. Проте, оцінка визначається оцінкою екзамену;

– якщо рейтинг студента менше 36 балів, то він отримує незадовільну оцінку з подальшою додатковою роботою.

Для отримання студентом відповідних оцінок (ECTS та традиційних) його рейтингова оцінка переводиться згідно з таблицею :

Таблиця відповідності рейтингових балів оцінкам за університетською шкалою

Кількість балів	Оцінка
100-95	Відмінно
94-85	Дуже добре
84-75	Добре
74-65	Задовільно
64-60	Достатньо
Менше 60	Незадовільно
Не виконані умови допуску	Не допущено

9. Додаткова інформація з дисципліни (освітнього компонента)

Примітки:

положення про рейтингову систему оцінки успішності доводиться на першому занятті з дисципліни;
попередня рейтингова оцінка R з дисципліни доводиться до студентів на останньому занятті;
календарна атестація студентів з дисципліни проводиться викладачами за значенням поточного рейтингу студента на час атестації t. Якщо значення цього рейтингу не менше 50% від максимально можливого R_t на час атестації RD_t>0,5R, студент вважається задовільно атестованим. В іншому випадку - в атестаційній відомості виставляється "незараховано".

Перелік питань для підготовки до іспиту з дисципліни

“ Великі дані та методи їх обробки”

Програмні і апаратні платформи створення розподілених систем (РС) на базі технології Cloud-Computing. Апаратно-програмне забезпечення та інфраструктура систем Cloud-Computing.
Доступ до хмар. Хмарні сховища даних. Стандарти технологій Cloud-Computing.
Software as a Service (SaaS) – програмні компоненти як сервіс. Побудова розподілених обчислень та систем із їх застосуванням.
Технології розробки сервісів та їх хостинг у хмарному середовищі. Локальні хмари та тонкі клієнти. Технології міграції в хмари.
Розумні мережі в контексті NGI. Соціальні виклики. Тенденції, пов’язані з природним середовищем. Тенденції, пов’язані з політичною системою, з освітою, з економічною системою. Повна промислова оцифровка та підтримка вертикальних галузей.
Край та застосування штучного інтелекту (AI). Передумови переходу до сучасних технологій, орієнтованих на обробку великих масивів даних.
Модель програмування MapReduce та платформа Hadoop. Технологія Dryad та система DryadLINQ. Порівняння технологій високопродуктивної обробки даних.
Основні поняття дискретної математики. Набори. Алгебра множин. Теорія булевих функцій. Булева алгебра. Булеві функції: визначення та спеціфікація
Диз’юнктивна та кон’юнктивна нормальна форма (CNF, DNF). Робота з диз’юнктивними нормальними формами. Метод Квіна - Мак Клоска для мінімального знаходження DNF
Базові поняття математичної логіки. Формальні моделі. Логіка тверджень. Твердження і доведення теорем.
Перевірка демонстративних міркувань. Силогізми. Логічні наслідки.. Основна теорема висновку. Зведення до нормальної форми. Метод вирішення.
Інші методи. Адекватність логічного твердження.

13. Логіка предикатів та логічного виводу. Предикати. Вільні та зв’язані змінні. Інтерпретація.

14. Логіка предикатів та логічного виводу. Еквівалентність логіки предикатів.

15. Логіка предикатів та логічного виводу. Логічний висновок у логіці предикатів. Алгоритм уніфікації. Логічне програмування.

16. Експертні системи. Приклади вирішення завдань виробничого процесу. Принципи лінгвістичного моделювання. Загальна структура експертних правил.

17. Нечіткі множини даних та висловлювань. Основні терміни та визначення. Властивості нечітких множин. Операції над нечіткими множинами.

18. Нечітка арифметика. Нечіткі зв’язки та їх властивості. Операції над нечіткими відношеннями.

19. Нечітка логіка. Лінгвістичні змінні. Нечітка «правда». Нечіткі логічні операції.

20. База нечітких знань. Нечіткий логічний висновок.

21. Композиційне правило нечіткого висновку Заде. Нечіткий логічний висновок Мамдані. Нечіткий логічний висновок Сугено. Нечітка логічна модель Singleton.

22. Нечіткий логічний висновок для задач класифікації. Ієрархічна нечітка система логічного висновку.

23. Нейронні мережі. Базові концепції. Імітація нервових клітин. Математична модель нейрона. Навчання нейронних мереж. Метод поширення зворотної помилки.

24. Адаптивна мережа нечітких висновків. Лінгвістичні правила при прийнятті рішень. Автоматичне керування. Ситуаційний контроль. Медична діагностика. Багатокритеріальна оцінка.

25. Багатокритеріальний аналіз.

26. Генетичні алгоритми. Генетичні операції. Подання даних у генах. Стратегії відбору та формування нового покоління. Шаблони та теорема шаблони. Моделі генетичних алгоритмів. Функції тестування.

27. Вирішення задачі створення графіка для обробки цифрових потоків контролером широкосмугових радіомережних систем.

28. Оцінка ефективності виконання послідовності операцій для формування цифрового потоку.

29. Паралельна обробка даних для формування кадру цифрового потоку.

30. Підходи до задачі проектування послідовності операцій формування цифрового потоку.

31. Методи аналізу та оптимізації послідовності виконання операцій для формування кадру цифрового потоку контролером радіомережі. Формальна модель процесу формування цифрового кадру

32. Спосіб підвищення ефективності операцій з формування цифрового потоку. Аналіз вимог до процесу формування цифрового кадрового потоку контролером радіомережі

33. Оптимізація часу використання апаратних ресурсів при формуванні цифрового потоку.

34. Обробка даних на основі деревоподібної нечіткої бази знань із комбінованою схемою виведення.

35. Характеристика обробки даних у складних організаційних системах. Обробка даних та знань на основі деревоподібної нечіткої бази знань. Побудова та налаштування нижньої частини нечіткої бази знань.

36. Підхід до гнучкого проектування програмного забезпечення для обробки даних та знань.

36. Метаграфи та їх застосування для аналізу Великих даних. Графи, гіперграфи та метаграфи. Теорія метаграфів.

37. Застосування метаграфів. Презентація нечіткої бази знань у вигляді метаграфу та операції з нею.

38. Мета-описи семантичної мережі, обчислювальних та інформаційних ресурсів.

39. Семантична мережа - нова модель інформаційного простору Інтернету. Метадані. Онтології. Мови запитів до сховищ RDF. Логічний висновок. Забезпечення цілісності та послідовності. Агенти та послуги. Практична реалізація семантичної мережі з мета-описом.

40. Метаопис веб-сервісів та специфікація UDDI. Розширений підхід до поєднання WEB-сервісів в бізнес-процесі. Розширений підхід до пошуку та вибору WEB-сервісів. Підвищення актуальності знаходження web-сервісів у мультионтологічному середовищі.

41.Моделювання результатів автоматизованого створення бізнес-процесів. Деревоподібна структура обчислювальних (Web-сервісів) та інформаційних ресурсів на основі метаописів.

42. Методи розробки порталів, заснованих на знаннях. Аналіз підходів до систематизації інформації на порталі знань ( на прикладі порталу знань у галузі науки та техніки). Формальна алгебраїчна система подання знань для порталу знань (на прикладі порталу знань у галузі науки та техніки).

43. Представлення бізнес-процесів у вигляді графових структур. Метод формування дерева складних функціональних елементів (послідовність виконання web-сервісів). Інструменти систематизації та структурування інформаційних та обчислювальних ресурсів для порталу знань у галузях техніки.

44. Сховища даних. Куби даних. OLAP-системи.

45. Вітрини даних.

46. Потоки даних. Видобуток знань з даних.

Опис матеріально-технічного та інформаційного забезпечення дисципліни

Всі матеріали надаються слухачам в електронному вигляді: презентаційні матеріали, наукові статті та інша технічна література

Робочу програму навчальної дисципліни (силабус):
Складено Глоба Л. С.;
Ухвалено кафедрою ІКТС (протокол № 9 від 19.05.2022 )
Погоджено методичною комісією факультету/ННІ (протокол № ______ від ______)