Кафедра економічної кібернетики (ЕК)

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/44386

Переглянути

Перегляд Кафедра економічної кібернетики (ЕК) за Ключові слова "004.9:330"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    ДокументВідкритий доступ
    Вебскрейпінг та аналіз даних соціальних мереж. Комп’ютерний практикум
    (КПІ ім. Ігоря Сікорського, 2026) Стець, Олена Вікторівна; Стець, Сергій Юрійович
    Головна мета видання навчального наочного посібника «Вебскрейпінг та аналіз даних соціальних мереж: Комп’ютерний практикум»  допомогти студентам подолати розрив між теоретичними моделями та реальними економічними даними, сформувавши у них стійкі прикладні навички. Особливістю практикуму є його наскрізна практична спрямованість: від розбору архітектури вебсторінок до автоматизованого вилучення й обробки інформації за допомогою сучасної мови програмування Python та її спеціалізованих екосистем. Виконання завдань комп'ютерного практикуму дозволить здобувачам вищої освіти: - опанувати базові та професійні технології вебскрейпінгу: навчитися працювати з вбудованими функціями хмарних таблиць (Requests, BeautifulSoup, Scrapy, Selenium), а також створювати автономні Telegram-боти для інтеграції з вебсервісами; - автоматизувати повний аналітичний цикл: самостійно збирати, очищувати, структурувати й конвертувати сирі вебдані у придатні для бізнес-аналізу формати (.csv, .json, .xlsx); - розвинути інженерне та аналітичне мислення: навчитися взаємодіяти з динамічним контентом сайтів, враховувати етичні норми та обмеження вебресурсів (аналіз robots.txt), а також ефективно налаштовувати робоче середовище (VS Code, віртуальні оточення, змінні .env); - підготуватися до реальних викликів цифрової економіки: здобути досвід вирішення прикладних економічних задач, прогнозування фінансових індикаторів та моніторингу ринків. Структура посібника побудована за принципом «від простого до складного» і веде студента від базового парсингу без коду до побудови архітектурно складних асинхронних павуків і систем автоматизації дій у браузері. Видання є невід'ємною частиною навчально-методичного комплексу дисципліни й покликане сформувати у майбутніх економістів затребувані Hard Skills у сферах Data Science, Data Mining та бізнес-аналітики.
  • Ескіз
    ДокументВідкритий доступ
    Вебскрейпінг та аналіз даних соціальних мереж. Конспект лекцій
    (КПІ ім. Ігоря Сікорського, 2026) Стець, Олена Вікторівна; Стець, Сергій Юрійови
    Опанування технологій вебскрейпінгу (web scraping) стає однією з ключових вимог до кваліфікації сучасного фахівця з економічної аналітики. Автоматизоване вилучення даних дозволяє перетворювати неструктурований контент інтернет–простору на впорядковані масиви, придатні для подальшого статистичного аналізу, економетричного моделювання та прогнозування. Матеріал конспекту лекцій побудовано за принципом послідовного занурення у предметну область. На початкових етапах розглядається архітектура вебдокументів (HTML, XML) та логіка функціонування об'єктної моделі документа (DOM). Далі вивчаються методи точкової навігації за допомогою мови запитів XPath. Основну частину курсу присвячено практичній реалізації алгоритмів збору даних мовою Python із використанням сучасних спеціалізованих бібліотек та фреймворків: від базових запитів за допомогою BeautifulSoup до проектування масштабованих асинхронних павуків у Scrapy та імітації дій користувача в Selenium на вебсайтах із динамічним завантаженням вмісту. Особливу увагу в межах дисципліни приділено правовим та етичним аспектам автоматизованого збору даних. Професійна підготовка аналітика передбачає чітке розуміння меж легітимного використання технологій, аналіз регуляторних вимог файлів robots.txt, мінімізацію навантаження на цільові вебсервери та суворе дотримання законодавства про захист персональних даних, зокрема міжнародного регламенту GDPR. Теми, що опановуються, мають виражений прикладний характер. Наприкінці вивчення курсу студенти зможуть самостійно проектувати системи моніторингу ринків, здійснювати автоматизований збір фінансово-економічних показників та інтегрувати отримані дані в аналітичні моделі для інформаційної підтримки прийняття рішень у бізнесі. Конспект лекцій містить необхідний теоретичний базис, детальний розбір архітектурних підходів, приклади програмного коду з детальними коментарями, а також застереження щодо типових помилок, які виникають на етапі розробки та налагодження скриптів.