• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2023/2024

Процесс-майнинг

Направление: 01.03.02. Прикладная математика и информатика
Когда читается: 3-й курс, 3, 4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 6
Контактные часы: 80

Программа дисциплины

Аннотация

Process Mining - это область науки и технологии, которая занимается анализом и оптимизацией бизнес-процессов на основе цифровых следов в автоматизированных системах. Курс предназначен ознакомить студентов общим понятиям Process Mining и делает акцент на различные типы неэффективностей в бизнес-процессах и метрики, которыми данные неэффективности можно обнаружить, а также получить компетенции по: работе с python-библиотекой SberPM, выбору data-майнера для отрисовки схемы бизнес-процессов, автоматическому поиску кейсов неэффективности бизнеса, прогнозированию бизнес процессов с помощью AutoML, поиску оптимальной структуры процесса с помощью RL, NLP-анализу текстовой информации в логах бизнес-процессов.
Цель освоения дисциплины

Цель освоения дисциплины

  • Сформировать у студентов и слушателей компетенции необходимые для использования самостоятельного анализа бизнес-процессов с помощью Process Mining
  • Сформировать у студентов и слушателей компетенции необходимые для использования machine learning в process mining.
Планируемые результаты обучения

Планируемые результаты обучения

  • полученная теоретическая база методологии Process Mining
  • знание типов неэффективностей
  • знание основных метрик процессов
  • ознакомление со специализированной платформой Sber Process Mining
  • способность самостоятельно проводить исследования и находить кейсы не эффективности с помощью платформы SberPM
  • способность самостоятельно проводить исследования и находить кейсы не эффективности с помощью Python библиотеки SberPM (в том числе на алгоритмах автоинсайтов)
  • проведение NLP-анализа логов процесса
  • получить прогноз структуры и метрик процесса в будущем
  • способность определять оптимальную структуру бизнес-процесса с помощью RL
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Знакомство с целями и требованиями к анализу
  • Знакомство с Process Mining платформой.
  • Классические процессные неэффективности.
  • Классические процессные неэффективности. Классификации
  • Бэнчмарки, глубинный поиск причин. Анализ SLA. Углубление в причины "пинг-понга-а"
  • Техники углубленного анализа, анализ дополнительных атрибутов.
  • Введение в Process Mining. Python-библиотека SberPM.
  • Roadmap PM исследований. Автоинсайты. Поиск аномалий.
  • NLP
  • Прогнозирование. AutoML.
  • Happy path. RL. AutoRL.
  • Факторные анализы. Соревновательные модели. Обзор ML-задач для Process Mining с «продвинутым» стеком
  • Платформа
Элементы контроля

Элементы контроля

  • неблокирующий Тестирование
    Индивидуальное задание
  • неблокирующий Учебный кейс 1
    Групповое задание
  • неблокирующий Учебный кейс 2
    Групповое задание
  • неблокирующий Кейсы
    Групповое задание
  • неблокирующий Мини-проект
    Групповое задание
  • неблокирующий Квизы
    Индивидуальное задание
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 4th module
    0.12 * Квизы + 0.125 * Кейсы + 0.125 * Мини-проект + 0.3 * Тестирование + 0.05 * Учебный кейс 1 + 0.15 * Учебный кейс 2 + 0.13 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Aalst, W. van der. (2011). Process Mining : Discovery, Conformance and Enhancement of Business Processes. Heidelberg: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=372196
  • Aalst, W. van der. (2016). Process Mining : Data Science in Action (Vol. Second edition). Heidelberg: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1203872
  • Diogo R. Ferreira. (2017). A Primer on Process Mining : Practical Skills with Python and Graphviz. Springer.
  • Multi-perspective process mining. (2018). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsnar&AN=edsnar.oai.pure.tue.nl.publications.b40869c0.2d11.4016.a92f.8e4ee9cd9d66
  • Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018

Рекомендуемая дополнительная литература

  • Process mining: data science in action. (2016). Springer. https://doi.org/10.1007/978-3-662-49851-4
  • Анализ данных в науке и технике : машинное обучение, динамические системы и управление, Брантон, С. Л., 2021