Тема выпускной квалификационной работы: «Интеллектуальный анализ данных в задачах оценки результатов изучения дистанционного курса». Объектом исследования являются отчёты с результатами изучения слушателями дистанционного курса «Управление данными» сайта «Открытое образование» (https://openedu.ru/) за 2019-2020 учебный год. Предметом исследования являются скрытые зависимости, имеющиеся в исследуемых наборах данных, выявляемые методами интеллектуального анализа данных. Цель работы — применение методов интеллектуального анализа данных в образовании для анализа и обработки результатов обучения на дистанционном курсе. Задачи, которые решались в ходе исследования: 1. анализ активности и успеваемости слушателей курса; 2. кластеризация слушателей при различном количестве кластеров; 3. кластеризация и оценка тестовых заданий; 4. сравнение результатов проводимых кластеризаций различными методами. В результате выполнения работы с использованием средств языка R была проведена обработка исходных наборов данных и вычислены их статистические показатели, выполнено разделение слушателей и тестовых заданий курса на характерные группы методом иерархической кластеризации и методом k-средних, выявлены и разобраны наиболее сложные задания, а также выдвинуты некоторые предположения о причинах возникающих трудностей при их выполнении.

The theme of the final qualification work: "Data mining in the tasks of assess-ment the results of studying the distance course". The study object is the reports about the participants’ results from the distance course "Data Management" of the website "Open Education" (https://openedu.ru/) for the 2019-2020 academic year. The study subject is the hidden dependencies in the analyzed datasets, revealed by data mining methods. The purpose of the work is the application of data mining methods in education for the analysis and processing of study results on the distance course. Tasks that were solved during the study: 1. Analysis of the participants’ activity and results on the course; 2. Clustering of participants with a different number of clusters; 3. Clustering and assessment of test tasks; 4. Comparison of the results of the conducted clustering by different methods. As a result of the work the reports were processed and its statistical parameters were calculated, the participants of the course and test tasks were separated into char-acteristic groups by the hierarchical algorithm and the k-means method, the most dif-ficult tasks were identified and analyzed using the programming language R, also some assumptions about the reasons for those difficulties have been made.