Разведочный анализ данных

Бакалавриат 2019/2020

Статус: Курс по выбору (Бизнес-информатика)

Направление: 38.03.05. Бизнес-информатика

Кто читает: Кафедра бизнес-аналитики

Где читается: Факультет бизнеса и менеджмента

Когда читается: 3-й курс, 3, 4 модуль

Формат изучения: Full time

Преподаватели: Шевгунов Тимофей Яковлевич

Язык: русский

Кредиты: 4

Полная версия программы учебной дисциплины

Аннотация

Целями освоения дисциплины является формирование у студентов комплекса теоретических знаний и методологических основ в области проведения разведочного анализа данных с использованием интеллектуальных систем обработки информации, а также практических навыков, необходимых для внедрения и практического использования таких систем. Задачи дисциплины: 1. Получить представление о современных подходах и процедурах разведочного анализа данных, выполняемой с использованием интеллектуальных системах. 2. Познакомиться с основными методами интеллектуального анализа данных. 3. Изучить основные технологии построения алгоритмов разведочного анализа данных с использованием информационных систем на основе технологий прикладного искусственного интеллекта. 4. Выработать навыки использования современных информационных технологий и программных средств, реализующих алгоритмы интеллектуального анализа данных. Для изучения дисциплины «Разведочный анализ данных» студент должен: 1. знать основные понятия математического анализа, теория вероятностей и математической статистика, теоретических основ информатики, программирования; 2. владеть основным содержанием дисциплин микроэкономика, менеджмент, архитектура предприятия, теоретические основы информатики; 3. уметь использовать математические и инструментальные программные средства для решения задач анализа информации, создания электронных таблиц, отчётов и презентаций.

Цель освоения дисциплины

Знать: место и роль интеллектуальных систем обработки данных в архитектуре предприятия; основные модели и технологии, основанные на обработке знаний в системах прикладного искусственного интеллекта, области и границы их применения
Уметь: делать обоснованный выбор технологии искусственного интеллекта, наиболее подходящей для решения прикладной задачи; формулировать требования к характеристикам интеллектуальной системе; интерпретировать и синтезировать комплексные модели, построенные на основе технологий прикладного искусственного интеллекта
Владеть: основными классами современных и перспективных интеллектуальных систем, входящих в ИТ-инфраструктуру предприятия.

Результаты освоения дисциплины

Знать основные исторические и современные подходы анализа данных
Уметь использовать методы формальной логики для представления предметной области
Знать основные методы, на основе которых проводится анализ данных
Знать основные задачи разведочного анализа данных
Знать основные модели описания и представления данных
Уметь выбирать шкалу представления данных
Уметь формулировать задачу разведочного анализа
Знать основные программные средства разведочного анализа
Уметь проводить сравнение функциональных возможностей программных средств разведочного анализа данных
Владеть программными средствами (минимум одним) разведочного анализа данных
Знать основные модели нечёткой логики
Уметь синтезировать представления предметной области на основе моделей нечёткой логики
Владеть основными операциями нечёткой арифметики
Знать основные визуальные средства представления данных
Уметь формировать визуальные представления статических данных
Уметь формировать визуальные представления временных рядов
Уметь формировать визуальные представления финансовых данных
Владеть методами обнаружения ошибок в визуальных представлениях
Знать основные алгоритмы построения деревьев решений
Уметь строить дерево решения с использованием алгоритма ID3
Владеть методами анализа качества построенных деревьев решений
Знать основные задачи и алгоритмы кластерного анализа
Знать основные этапы алгоритма К-средних
Уметь проводить кластеризацию объектов, описываемых числовыми признаками
Владеть методом К-средних для проведения кластерного анализа
Знать структуру искусственных нейронных сетей
Уметь проводить анализ нейронной сети по её структурному графу
Уметь формировать граф нейронной сети
Владеть методами обучения нейронных сетей на основе обратного распространения ошибки

Содержание учебной дисциплины

Основные понятия, назначение и место интеллектуальных систем в ИТ-инфраструктуре предприятия
Краткая историческая справка. Основные понятия и определения. Сравнительная классификация задач, решаемых человеком и искусственным интеллектом. Классификация интеллектуальных систем. Эволюция информационных систем. Предмет и содержание курса. Связь курса с другими дисциплинами. Обзор моделей представления знания и предметной области. Интеллектуальные методы обработки информации. Проблемы управления знаниями предприятия. Обзор основных технологий реализации интеллектуальных методов в прикладных информационных системах искусственного интеллекта.
Основные задачи, модели и методы разведочного анализа
Основные аналитические модели. Скалярные и многомерные модели. Статические и динамические модели. Детерминированные, стохастические и хаотические модели. Линейные и нелинейные модели. Методы обучения интеллектуальных систем: обучение с учителем, обучение с подкреплением, самоорганизация. Режимы обучения: пакетный, интерактивный и смешанный.
Программные средства разведочного анализа
Программные средства, реализующие интеллектуальные методы обработки. Сравнительный анализ программных продуктов, на примере продуктов: Microsoft Excel, IBM SPSS, Mathworks Matlab. Визуализация и подготовка графических материалов для отчётов.
Использование нечётких множеств и отношений для представления знаний в интеллектуальных системах
Понятие чётких и нечётких объектов: множеств, чисел и отношений. Нечёткие множества. Функции принадлежности. Операции над нечёткими множествами. Нечёткие числа, операции над нечёткими числами. Операции фуззификации и деффузификации. Нечёткие отношения. Правила нечеткого вывода. Системы нечёткого вывода, на основе алгоритма Мамдами. Системы нечёткого вывода на основе алгоритма Сугено. Практический синтез простых систем нечёткого вывода на основе алгоритмов Мамдами и Сугено.
Визуальный анализ данных
Визуализация результатов статистической обработки. Визуализация временных рядов. Интерполяционные техники. Визуализация финансовых рядов. Графики типа «японские свечи» и OHLC. Визуализация многомерных данных. Основные ошибки визуализации.
Деревья классификации и регрессии
Деревья принятия решений: деревья классификации и деревья регрессии. Меры неопределенности: энтропия, индекс Джини, вероятность ошибочной классификации. Алгоритмы построения деревьев решения: ID3/C4.5, CART. Особенности построения деревьев регрессии. Жадные алгоритмы. Технологии улучшения деревьев методом обрезки. Кросс-валидация применительно к деревьям решений. Практические реализации методов построения дерева классификация с использованием программных средств.
Основы кластерного анализа
Количественные меры расстояний между объектами в признаковом пространстве. Кластеризация методом ближайшего соседа. Иерархическая кластеризация. Анализ алгоритма кластеризации методом K-средних. Модификации алгоритма. Предварительный выбор центров кластеров. Алгоритм K-медиан. Оценка качества классификатора. Силуэты. Семантические и информационные критерии выбора количества кластеров.
Интеллектуальные методы на основе искусственных нейронных сетей
Искусственная нейронная сеть, как аналог биологической структуры. Модель нейрона МакКалока-Питтса. Структурные элементы нейронной сети. Модель персептрона Розенблатта. Модель многослойного персептрона. Модель нейронной сети на основе радиально-базисных функций. Обучение с подкреплением. Самообучающиеся сети. Модель самоорганизующихся карт Кохонена. Обучение нейронной сети. Обучение с учителем и самообучение. Процедура обратного распространения ошибки. Методы обучения первого порядка: градиентный спуск и его модификации. Методы обучения второго порядка. Практическое применение нейронных сетей для решения задач аппроксимации и классификации.