Интеллектуальный анализ данных

Аспирантура 2020/2021

Статус: Курс по выбору

Направление: 01.06.01. Математика и механика

Кто читает: Департамент менеджмента

Когда читается: 2-й курс, 1 семестр

Формат изучения: без онлайн-курса

Преподаватели: Серова Елена Геннадьевна

Язык: русский

Кредиты: 4

Контактные часы: 36

Полная версия программы учебной дисциплины

Аннотация

Курс «Интеллектуальный анализ данных» предназначен для развития компетенций обучающихся в таких активно развивающихся и перспективных областях знаний, как аналитика и визуализация данных и сочетает изучение современных информационных технологий и систем Business Intelligence c традиционными подходами к решению задач менеджмента, экономики, бизнес-анализа. Курс состоит из двух частей. Первая часть посвящена изучению теоретических аспектов и включает лекции по интеллектуальному анализу данных, в том числе по основам построения систем поддержки принятия решений, знакомит аспирантов с принципами работы OLAP-систем и методологией многомерного анализа, технологией Data Mining. Эта же часть курса содержит основы Data Science и Big Data, Machine Learning и базовые принципы программирования на Python. Вторая часть курса знакомит аспирантов с системами распределенного искусственного интеллекта и современными методами моделирования (в первую очередь, Agent Based Modeling) в системах управления и бизнес-анализе, содержит лекции, по основам мягких вычислений и включает в себя изучение нечеткой логики, нейронных сетей и эволюционных вычислений, сравнение различных интеллектуальных сиcтем и примеры их использования при решении реальных задач.

Цель освоения дисциплины

формирование у аспирантов системного представления о технологиях и системах интеллектуального анализа данных, их применении и инструментах
изучение основных методов прикладного анализа данных
развитие навыков практического применения методов интеллектуального анализа для решения различных научных и практических задач экономики и управления

Планируемые результаты обучения

Знать основные положения таких активно развивающихся и перспективных областей знаний, как аналитика и визуализация данных.
Знать особенности применения систем Business Intelligence для решения задач менеджмента, экономики, бизнес-анализа.
Знать отличия Data Mining от классических статистических методов анализа и OLAP-систем, типы закономерностей и сферы применения Data Mining.
Уметь квалифицированно применять методы интеллектуального анализа данных.
способность собирать, анализировать, обрабатывать и хранить данные в соответствии с общепринятыми научными и этическими стандартами
способность осуществлять комплексные исследования, в том числе междисциплинарные, на основе целостного системного научного мировоззрения

Содержание учебной дисциплины

Введение. Аналитические системы многомерного анализа данных
Развитие «информационной» составляющей бизнес-среды. Информационная культура и информационный менеджмент. Важнейшие потенциальные эффекты применения совре-менных информационных технологий. Подсистемы поддержки принятия решения (DSS) как составная часть КИС. Основные характеристики и компоненты DSS.
Системы Business Intelligence. Сервисы ETL. Reporting. OLAP-кубы. Data Mining
Искусственный Интеллект (AI): основные понятия, примеры использования и перспек-тивы. Business intelligence (BI) и Knowledge Management. Аналитическая система извле-чения, обработки данных и представления информации. Хранилища данных (DW). Со-ставляющие BI-пакетов. Сервисы ETL. Reporting. OLAP-кубы – инструмент быстрого анализа разделяемой многомерной информации. Data Mining - выявление скрытых зако-номерностей или взаимосвязей между переменными в больших массивах необработан-ных данных. Пять стандартных типов закономерностей, выявляемых с помощью методов Data Mining: ассоциация, последовательность, классификация, кластеризация и прогно-зирование.
Основы Data Science и Big Data. Machine Learning. Программирование на Python
Big Data и Data Science: область применения и преимущества. Процесс Data Science. Ка-тегории технологий Data Science. Распределенная файловая система и Инфраструктура распределенного программирования. Машинное обучение – определение, типы и разно-видности методов. Машинное обучение как подобластью искусственного интеллекта. Области применения ML в DS (примеры). Основы, принципы и операторы языка Python.
Метод моделирования. Мульти-агентные системы как системы распре-деленного искусственного интеллекта
Направления математизации в экономике и менеджменте. Терминология, предмет и цели моделирования, задачи, решаемые с помощью моделирования. Концептуальное, математическое (логико-математическое), структурно-функциональное и имитационное моделирование. Категории моделей. Моделирование с помощью гуманитарных средств и средств искусства. Моделирование социально-политических процессов. Динамические системы. Системная динамика. Дискретно-событийное моделирование. Многоагентные системы. Типичная архитектура агентной модели (децентрализованной). Мультиподход-ные архитектуры моделей. Примеры решения задач.
Интеллектуальные методы и мягкие вычисления (soft computing). Гибридные модели
Основные компоненты концепции мягких вычислений (МВ): нечеткая логика (НЛ), нейронные сети (НС), эволюционные вычисления (ЭВ). Преимущества и недостатки нейронных сетей. Процесс формирования модели нечеткого вывода. Преимущества и недостатки нечеткой логики. Нейроне чёткое моделирование. Гибридная нейронная сеть типа ANFIS.
Заключение. Перспективы и основные тенденции развития технологий и си-стем интеллектуального анализа дан-ных
Перспективы и основные тенденции развития технологий и систем интеллектуального анализа данных.

Элементы контроля

Аудиторная работа
Реферат
Структура и требования к реферату: - титульный лист; - содержание; - введение (0,5-1 стр.); - основная часть (до 20 стр.); - заключение (3-5 стр.); - список литературы (не менее 5 источников); - приложения (если есть).
Экзамен
Экзамен проводится в устной форме (презентация научного доклада и ответы на вопросы по материалам курса). Экзамен проводится на платформе ZOOM (https://zoom.us/postattendee?id=24) К экзамену необходимо подключиться согласно расписанию, высланному преподавателем на корпоративные почты студентов накануне экзамена. Компьютер аспиранта должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка ZOOM. Для участия в экзамене аспирант обязан: поставить на аватар свою фотографию, явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. Во время экзамена аспирантам запрещено: выключать камеру, пользоваться конспектами и подсказками. Кратковременным нарушением связи во время экзамена считается нарушение связи менее минуты. Долговременным нарушением связи во время экзамена считается нарушение минута и более. При долговременном нарушении связи аспирант не может продолжить участие в экзамене. Процедура пересдачи подразумевает использование усложненных заданий.
Аудиторная работа
Реферат
Структура и требования к реферату: - титульный лист; - содержание; - введение (0,5-1 стр.); - основная часть (до 20 стр.); - заключение (3-5 стр.); - список литературы (не менее 5 источников); - приложения (если есть).
Экзамен
Экзамен проводится в устной форме (презентация научного доклада и ответы на вопросы по материалам курса). Экзамен проводится на платформе ZOOM (https://zoom.us/postattendee?id=24) К экзамену необходимо подключиться согласно расписанию, высланному преподавателем на корпоративные почты студентов накануне экзамена. Компьютер аспиранта должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка ZOOM. Для участия в экзамене аспирант обязан: поставить на аватар свою фотографию, явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. Во время экзамена аспирантам запрещено: выключать камеру, пользоваться конспектами и подсказками. Кратковременным нарушением связи во время экзамена считается нарушение связи менее минуты. Долговременным нарушением связи во время экзамена считается нарушение минута и более. При долговременном нарушении связи аспирант не может продолжить участие в экзамене. Процедура пересдачи подразумевает использование усложненных заданий.

Промежуточная аттестация

Промежуточная аттестация (I семестр)
Результирующая оценка по дисциплине (которая идет в диплом) рассчитывается сле-дующим образом: Орезульт = 0.3 реферат.+ 0.3 ауд работа + 0.4 экз,

Программа дисциплины