Интеллектуальные методы анализа информации

Бакалавриат 2021/2022

Статус: Курс по выбору (Экономика и статистика)

Направление: 38.03.01. Экономика

Кто читает: Департамент статистики и анализа данных

Где читается: Факультет экономических наук

Когда читается: 4-й курс, 3 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Звездина Наталья Валерьевна, Коваленко Андрей Петрович

Язык: русский

Кредиты: 3

Контактные часы: 34

Полная версия программы учебной дисциплины

Аннотация

Курс состоит из двух частей. Первая, теоретическая часть, посвящена изучению информационных технологий, обычно представляемых в научной литературе под общим названием «Data Mining»: методы многомерной статистики и кластерного анализа, нейросетевые методы, методы нечеткой логики, генетические алгоритмы, деревья решений, экспертные системы. Во второй, практической части, изучается несколько программных продуктов в объеме, достаточном для самостоятельного решения несложных задач моделирования динамических систем, построения искусственных нейронных сетей, визуализации и кластерного анализа многомерных данных методом самоорганизующихся карт Кохонена.

Цель освоения дисциплины

дать студентам теоретические сведения о назначении, разработке, внедрении и сопровождении систем информационного и аналитического обеспечения принятия решений, основанных на нейронных сетях
дать студентам практические навыки внедрения и практического применении интеллектуальных систем

Планируемые результаты обучения

Студент должен знать и владеть основными понятиями нейронных сетей, их устройством, применением в задачах классификации и анализе временных рядов. Уметь строить динамические модели и самоорганизующиеся карты
Студент должен знать основные принципы реализации, особенности использования, преимущества и недостатки метода
Студент должен знать особенности статистических методов анализа данных
Студент должен знать: основные принципы применения нечеткой логики; преимущества и недостатки метода нечеткой логики в сравнении с классическими методами статистической обработки и анализа информации; описание метода на основе деревьев решений; структура дерева решений; задачи деревьев решений; области применения деревьев решений; преимущества и недостатки метода