Цель данной работы – исследовать результаты изучения дистанционного курса методами интеллектуального анализа данных (ИАД). Задачи, которые решались в ходе исследования: 1. Обзор задач анализа данных. 2. Исследование алгоритмов анализа данных. 3. Рассмотрение этапов анализа данных. 4. Обзор программных инструментов для реализации ИАД. 5. Исследование наборов данных с результатами прохождения дистанционного курса средствами ИАД. Предметом исследования является применение методов интеллектуального анализа данных в сфере образования. В работе используются отчеты изучения студентами дистанционного курса «Управление данными» за 7 сессий (за-пусков). Был проведен первичный анализ данных: выявлены этапы, на которых студенты чаще всего прекращали свое обучение, построены диаграммы размаха оценок в каждом из запусков, был определен ряд вопросов, отвечая на которые студенты из запуска в запуск давали неверные ответы. Была решена задача кластеризации студентов и построена модель, прогнозирующая оценки на основе баллов за первые восемь еженедельных тестов. Анализ проводился методом математического моделирования с использованием языка программирования Python. По результатам анализа количества участников, набранных студентами баллов, решения задач кластеризации и классификации даны предложения для корректировки дистанционного образовательного курса.

The purpose of this work is to investigate the results of remote study of data mining methods (DM). The research set the following goals: 1. Overview of data analysis tasks. 2. Research algorithms for data analysis. 3. Consideration of the stages of data analysis. 4. Review of software tools for the DM. 5. Study of data sets with the results of studying the distance course by means of data mining. Main object of this work research is the application of data mining methods in the field of education. The work uses reports of students passing the distance course «Data Management» for 7 sessions (runs). A primary analysis of the data was carried out: the stages at which students more often stop their studies were identified, the range of assessments in each of the runs were built. Also, numbers of questions were identified, answering to which students more often gave incorrect answers. The prob-lem of clustering students was solved. The model for predict the score based on the scores for the first eight weekly tests was built. The analysis was conducted by the method of mathematical modeling using the Python programming language. Based on the results of the analysis of the number of course participants, the points scored by students, the solution of clustering and classification problems, recommendations were given for correcting the distance educational course.