Интеллектуальные методы анализа информации

Бакалавриат 2019/2020

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

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 особенности статистических методов анализа данных
Студент должен знать основные принципы реализации, особенности использования, преимущества и недостатки метода
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 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

Содержание учебной дисциплины

Статистические методы анализа данных
Задача анализа временных рядов. Статистический анализ временных рядов. Модели анализа временных рядов, основанные на интеллектуальных методах анализа данных. Построение модели и ее оптимизация. Кластерный анализ. Метод главных компонент.
Генетические алгоритмы
Основные принципы реализации. Особенности использования. Преимущества и недостатки метода.
Нейронные сети
3.1. Введение в нейронные сети. Устройство нейронных сетей. Виды функции активации. Нейросети с прямой связью. Обучение. Критерии ошибок. Спуск. Способы обеспечения и ускорения сходимости. Другие линейные алгоритмы. Обобщающие правила. Шум. Переобучение. Оптимизация архитектуры. Сравнительная оценка нейросетевых методов. Программное обеспечение. 3.2. Нейронные сети в задачах классификации. Цель классификации. Вероятностная классификация. Классификаторы образцов. Нейронная сеть с прямой связью как классификатор. Кодирование на выходе. Объем сети. Выбор архитектуры сети. Анализ показателей работы сети. Порядок действий при построении нейросетевого классификатора. 3.3. Нейронные сети в анализе временных рядов. Модели анализа временных рядов, основанные на нейросетях с прямой связью. Препроцессирование (предварительная обработка) данных. Построение модели. Оптимизация обучения. Статистическое и адаптивное обучение. Отбор и диагностика модели. Постпроцессирование. 3.4. Динамические, самоорганизующиеся сети и сети со встречным продвижением. Динамические сети. Нейронные сети с временной задержкой. Сети Хопфилда. Самоорганизующиеся сети. Сети со встречным продвижением.
Нечеткая логика и деревья решений
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.

Элементы контроля

Постановка задачи
Моделирование
Оптимизация

Промежуточная аттестация

Промежуточная аттестация (3 модуль)
0.3 * Моделирование + 0.4 * Оптимизация + 0.3 * Постановка задачи

Программа дисциплины