Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования

Скачать 235.92 Kb.

Название	Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования
страница	1/2
Тип	Тематический план

rykovodstvo.ru > Руководство эксплуатация > Тематический план

1 2

Правительство Российской Федерации

Федеральное государственное автономное образовательное учреждение высшего профессионального образования

Национальный исследовательский университет

Высшая школа экономики

Факультет бизнес-информатики

Программа дисциплины

«Системы интеллектуального анализа данных»

для направления 080700.68 – «Бизнес-информатика»

подготовки магистра
Авторы: Г.И. Перминов, К.С.Гоменюк

Рекомендовано секцией УМС Одобрена на заседании

Секция «Бизнес-информатика» кафедры бизнес-аналитики

Председатель Зав. кафедрой _______________Ю.В. Таратухина ________________Т.К.Кравченко

“___” ________________ 2010 г. “___” _________________ 2010 г.

Утверждено УС факультета

Бизнес-информатики

Ученый секретарь

_________________В.А. Фомичев

“___” _______________2010 г.

Москва – 2010

Тематический план учебной дисциплины

№ п/п	Наименования тем	Всего часов	Аудиторные часы			Внеаудиторные часы
№ п/п	Наименования тем	Всего часов	Лекции	Практические занятия	Всего аудиторных часов	Внеаудиторные часы
1.	Тема 1. Синергетические модели.	52	12	12	24	28
2.	Тема 2. Генетические и эволюционные модели.	18	4	4	8	10
3.	Тема 3. Нечеткие множества и нечеткая логика.	16	4	4	8	8
4.	Тема 4. Нейронные сети.	18	4	4	8	10
5.	Тема 5. Гибридные нечеткие нейросистемы.	16	4	4	8	8
6.	Тема 6. Модели «Ближайший сосед».	14	4	4	8	6
7.	Тема 7. Деревья решений. Методы кластеризации и дискриминации.	20	4	4	8	12
8.	Тема 8. Методы Naive Bayes, ассоциации, построения логических правил (If- Then).	20	4	4	8	12
9.	Тема 9. Модели TextMining и WebMining.	6	2	0	2	4
	Итого часов	180	42	40	82	98

Формы рубежного контроля и структура итоговой оценки

Итоговая оценка по учебной дисциплине выставляется по первому разделу в третьем модуле, по второму разделу в пятом модуле. Итоговая оценка по первому разделу складывается из оценок за:

работу на практических занятиях.
2 контрольных работы.

1 домашнее задание.
ответ на экзамене

Итоговая оценка О¹ формируется следующим образом:

О¹ = 0,1  О₁ + 0,3  О₂ + 0,3  О₃ + 0,3  О₄,

где:

О₁ – оценка за работу на практических занятиях;

О₂ – средняя оценка за 2 контрольных работы;

О₃ – оценка за домашнее задание;

О₄ – оценка за ответ на экзамене.

Базовый учебник

Ахим Бююль, Петер Цефель. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. Торгово издательский дом Dia Soft Москва, Санкт-Петербург, Киев 2002.
Кравченко Т.К., Перминов Г.И. Информационная технология процесса принятия экономических решений. - М.: ГУ-ВШЭ, 2006.

Содержание дисциплины

Тема 1. Синергетические модели.

Возможности применения методов нелинейной динамики к изучению временной динамики экономических рядов. Анализ одномерных временных рядов и теория детерминированного хаоса. Понятие об аттракторе.

Меры хаотичности временных рядов. Показатель трендоустойчивости временного ряда Херста. Алгоритм нормированного размаха Херста (R/S-анализ).

Оценка показателей Ляпунова по временному ряду.

Энтропия Колмогорова. Длина памяти в экономических рядах. Горизонт прогнозирования.

Корреляционная размерность. Фрактальная размерность. Определение фрактальной размерности по одноразовому измерению временного ряда. ТеоремаТакенса.

Алгоритмы расчета фазовой размерности.

Спектральный анализ. Вейвлет анализ. Дискретный вейвлет анализ. Непрерывный вейвлет анализ. Сингулярный спектральный анализ.

Возможности предсказывания финансовых крахов

Основная

Перминов Г.И. УМК - «Системы интеллектуального анализа данных» (Business Intelligence). Тема 15. ГУ-ВШЭ, 2007.

Дополнительная

Гринченко В.Т., Мацыпура В.Т., Снарский А.А. Ввведение в нелинейную динамику. Хаос и фракталы. Гл.2. ЛКИ, 2007
Кричевский М.Л. Интеллектуальные методы в менеджменте. Гл. 4. СПб.: Питер, 2005. Малинецкий Г.Г., Потапов А.Б., Подлазов А.В. Нелинейная динамика. Подходы, результаты, надежды. М.: КомКнига/URSS. 2006.
Петерc Э. Фрактальный анализ финансовых рынков. Применение теориии хаоса в инвестициях и экономике. М.: Интернет-трейдинг, 2004.
Ширяев В.И. Финансовые рынки и нейронные сети. Гл.6. ЛКИ, 2007

Тема 2. Генетические и эволюционные модели.

Сходства и различия между эволюционными стратегиями и генетическими алгоритмами. Различия между эволюционными стратегиями и генетическими алгоритмами. Основные принципы, заложенные в эволюционные программы: кроссинговер, мутация, селекция. Фундаментальная теорема генетического алгоритма.

Разновидности генетических алгоритмов: по методы селекции, по процедуре репродукции, по генетическим операторам, по методам кодирования, по масштабированию функции приспособленности.

Краткий обзор программных средств, реализующих эволюционные алгоритмы.

Основная

Перминов Г.И. УМК - «Системы интеллектуального анализа данных» (Business Intelligence). Тема 15. ГУ-ВШЭ, 2007.

Дополнительная

Http://www.statsoft.ru/home/textbook/modules/stdatmin.html
Http://www.codeney.ru/progr/alg/smart/#top
Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных OLAP и DataMining. - С-Пб.:БХВ-Петербург, 2004. прил. 2.
Дюк В., Самойленко А. Data Mining. Учебный курс. С-Пб.: Питер, 2001. гл. 3
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с польского. –М.: Горячая линия - Телеком, 2006, гл.4.
Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. –М.: ФиС, 2004, гл.6.
Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. –М.: Издатель – Молгачева, 2001. гл.7.

Тема 3. Нечеткие множества и нечеткая логиа.

Основные понятия. Способы задания характеристической функции. Логические функции для нечетких множеств. Нечеткая и лингвистическая переменная.

Прямой нечеткий вывод

Этапы нечетного вывода. Модификации алгоритма нечеткого вывода.

Алгоритмы нечеткого логического вывода: Мамдани (Mamdani), Цукамото (Tsukamoto), Сугэно (Sugeno), Алгоритм Ларсена (Lаrsеn), Упрощенный алгоритм нечетного вывода.

Методы приведения к четкости.

Пример анализа риска банкротства. Постановка задачи комплексного анализа банкротства. Решение задачи с использованием нечетких множеств. Классификация значений. Построение функций принадлежности. Выводы.

Основная

Перминов Г.И. УМК - «Системы интеллектуального анализа данных» (Business Intelligence). ГУ-ВШЭ, 2007.

Дополнительная

Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. –М.: ФиС, 2004, гл.3
Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. –М.: Издатель – Молгачева, 2001. гл.8.
Круглов В.В., Дли М.И. Интеллектуальные информационные системы. Компьютерная поддержка систем нечеткой логики и нечеткого вывода. –М.: Физматлит. 2002. гл.1, 2.
Леоненков А. Нечеткое моделирование в среде MatLab и fuzzyTech._С-Пб.: БХВ-Петербург. 2005. гл. 1-7
Применение нечетких множеств в бизнесе, экономике и финансах. Недосекин А.О. [http://fsscef.narod.ru]
Применение нечетких множеств для оценки риска портфельных инвестиций. Пономарев А.Ю. [http://joumal.seun.ru/j2003_lr/Economy/economy.htm]
Применение теории нечетких множеств к задачам управления финансами. Недосекин А.О. [http://cfin.ru].
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с польского. –М.: Горячая линия - Телеком, 2006, гл.3

Тема 4. Нейронные сети

Понятия о нейронных сетях (НС). Преимущества и недостатки нейротехнологии. Области применения. Общие черты НС.

Нейроны. Классификация по типу нейронов: классификация нейронов по виду функции стимуляции, классификация нейронов по виду функции активации, классификация нейронов по типу сигнала, классификация нейронов по вероятностной определенности.

Классификация нейросетевых архитектур: по типу связей в сети - сеть прямого распространения, рекуррентная сеть, соревновательная сеть; по наличию скрытых элементов; по динамическим характеристикам.

Классификация методов обучения: по используемым парадигмам - «с учителем» (контролируемое обучение), «без учителя» (самообучение) и смешанная; по используемым правилам - коррекция по ошибке; машина Больцмана; правило Хебба; обучение методом соревнования; обучение методом селекции.

Многослойный персептрон (MLP). Методы нахождения глобального минимума функции ошибок.

Радиальная базисная функция (RBF). Преимущества сети RBF перед сетями MLP. Принципы обучения RBF-сети.

Вероятностная нейронная сеть (PNN). Преимущества и недостатки PNN–сетей.

Сеть Кохонена. Основной итерационный алгоритм Кохонена. Область применения сети Кохонена.

Основная

Перминов Г.И. УМК - «Системы интеллектуального анализа данных» (Business Intelligence). ГУ-ВШЭ, 2007.

Дополнительная

Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. –М.: ФиС, 2004, гл.5.
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с польского. –М.: Горячая линия - Телеком, 2006, гл.5.
Дюк В., Самойленко А. Data Mining. Учебный курс. С-Пб.: Питер, 2001. гл. 3.
Галушкин А.И. Теория нейронных сетей. Кн. 1/Под ред. А.И.Галушкина - М.: ИПРРЖР, 2000.
Нейронные сети. STATISTICA Neural Networks. M.: Телеком. 2001.
Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. –М.: Издатель – Молгачева, 2001. гл.6.
Маслобоев Ю.П. Введение в Neural Network Toolbox. http://matlab.exponenta.ru/neuralnetwork/book1/index.php
Короткий С. Нейронные сети: основные положения. http://lii.newmail.ru /NN/ Korotky/N1/kor_nn1.htm

Тема 5. Гибридные и нечеткие нейросистемы.

Необходимость построения гибридной сети. Эффективность гибридизации. Принцип работы гибридной сети. Отличие ГС от обычной нейросети. Принцип обучения ГС. База знаний гибридной сети. Алгоритм вывода для ГС.

Адаптивная нечеткая нейросистема (ANFIS). Архитектура нейронной сети ANFIS. Примеры использования системы Anfis: построение регрессионно-авторегрессионной модели сильно зашумленного ряда; прогноз сильно зашумленного ряда.

Основная

Перминов Г.И. УМК - «Системы интеллектуального анализа данных» (Business Intelligence). ГУ-ВШЭ, 2007.

Дополнительная

Дьяконов В.П., Круглов В.В. MatLab 6,5. Инструменты искусственного интеллекта и биоинформатика. –М.: СОЛОН-ПРЕСС, 2006. Раздел 3,5.
Леоненков А. Нечеткое моделирование в средем MatLab и fuzzyTECH. –С.Пб.: БХВ-Петербург, 2005. Гл.15.

Тема 6. Модели «Ближайший сосед».

Характеристика методов извлечения и адаптации прецедентов. Метод ближайшего соседа. Преимущества и недостатки метода.

Модификации методов ближайшего соседа. Метод k-ближайших соседей и взвешенный метод (к-БС). Адаптивные методы ближайшего соседа. Метод ускоренного поиска ближайшего соседа (Fast Nearest Neighbor Searching). Модифицированный метод ближайшего соседа (ММБС). Выбор опорных точек. Алгоритм выбора опорных точек. Вычислительная сложность ММБС. Редуцированные методы ближайшего соседа (РМБС). Процедуры фильтрации шумовых документов в выборке. Алгоритм РМБС. Обобщенный метод ближайшего соседа (ОМБС). Алгоритм ОМБС.

Основная

Перминов Г.И. УМК - «Системы интеллектуального анализа данных» (Business Intelligence). ГУ-ВШЭ, 2007.

Дополнительная

Некрасов И. В., Толчеев В. О. Модифицированный метод ближайшего соседа с использованием опорных точек для классификации текстовых документов // Вестник МЭИ. 2004. № 1. С. 76-81.
Толчеев В.О. Разработка и исследование новых модификаций метода ближайшего соседа. – М.: Информационные технологии, №3, 2005.
Salzberg S., Delcher A., Heath D., Kasif S. Best-Case Results for Nearest Neighbor Learning // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1995. N 17. P. 599-609.
http://www.statsoft.ru
http://www. Graficon.ru/catalog/26

Тема 7. Деревья решений. Методы кластеризации и дискриминации.

Понятие об алгоритмах построения деревьев решений. Преимущества использования деревьев решений. Правила построения деревьев решений: разбиений; остановки; отсечения.

Разновидности DT – алгоритмов: альтернативные методы расщепления данных в узлах дерева. Альтернативные методы отсечения незначимых ветвей (pruning), оптимизация построенного дерева , использование нечетких критериев расщепления, построение вместо дерева ациклического графа (решетки) более общего вида, тернарное разбиение данных в узлах для учета случаев, когда значение критерия разбиения не может быть вычислено для части записей.

Понятия о кластеризации. Особенности кластеризации в Data Mining.

Методы кластеризации с числовыми атрибутами. Классификация методов кластеризации.

Иерархические методы. Иерархические агломеративные методы. Меры расстояния между объектами. Методы объединения: метод одиночной связи (ближайшего соседа); метод полных связей (наиболее удаленного соседа); метод средней связи; метод Уорда (Ward’s method).

Иерархические дивизимные методы. Алгоритм Макнаотона. Пример дивизимного метода.

Итеративный метод кластеризации - k средних.

Метод нечеткой кластеризации Fuzzy C-Means. Алгоритм Fuzzy C-Means.

Кластеризация категорийных данных. Масштабируемый алгоритм CLOPE. Формальное описание алгоритма. Реализация алгоритма. Области применения алгоритма кластеризации.

Назначение, цели, предпосылки, особенности дискриминационного анализа.

Дискриминантные функции и их геометрическая интерпретация. Количество дискриминантных функций.

Алгоритм дискриминационного анализа 2-х классов. Пример дискриминации двух групп. Проверка решения и классификация новых объектов

Дискриминационный анализ при числе групп более двух. Алгоритм решения задачи для общего случая k классов. Пример классификации при числе групп более двух.

Влияние числа выбранных переменных на результат анализа. Методы отбора переменных. Критерии отбора переменных для двух и более групп: Wilks' lambda {Лямбда Уилкса), Mahalonobis distance (Расстояние Махалонобиса), Smallest F ratio (Наименьшее F-отношение), Rao's V (V Pao), Sum of unexplained variance (Сумма необъясненной дисперсии).

Классификация без интерпретации.

Взаимосвязь между дискриминантными переменными и дискриминантными функциями Вклад отдельной переменной в значение дискриминантной функции. Степень корреляционной зависимости между переменными и дискриминантными функциями.

Основная

Перминов Г.И. УМК - «Системы интеллектуального анализа данных» (Business Intelligence). ГУ-ВШЭ, 2007.

Дополнительная

Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных OLAP и DataMining. - С-Пб.:БХВ-Петербург, 2004. гл. 5.
http://www.wikipedia.org
И. Андреев. Деревья решений - CART математический аппарат. // http://www.basegroup.ru
Деревья решений. // http://cdo.bseu.bv/stat 1 /lab_7.htm
А. Шахиди. Деревья решений - общие принципы работы.// http://www.basegroup.ru
С. Ларин, И. Ходжаева. Использование деревьев решений для оценки кредитоспособности физических лиц - BaseGroup Labs // http://www.basegroup.ru/practice/solvency.htm
Poly Analyst & Data mining // http://www.megaputer.ru/doc.php7production/pa/polvanalyst info.html#3
Проект Data Mining// http://decision-trees.fromru.com/
Деревья решений http://www.olap.rU/ basic/dm2.asp#4.5. %20%C4%E5%F0%E5% E2%FC%FF%20%F0%E5 %F8%E5%ED%E8%E9%20 (decision%20trees)
www.ics.uci.edu/~mlearn/MLRepository.html
Барсегян А.А. и др. Методы и модели анализа данных: OLAP и Data Mining. –С.Пб.: БХВ-Петербург, 2004, гл.7.
Воеводин Ю., Тихонова Н. Исследование методов кластеризации в динамических интеллектуальных системах. http://molod.mephi.ru/reports.asp7ricN572
Елманова Н. Введение в Data Mining. КомпьютерПресс, 2003, № 8.
Кластерный анализ в сегментировании рынка, www.segmentation-market.ru
Паклин Н. Алгоритмы кластеризации на службе Data Mining, www.basegroup.ru
Паклин Н. Кластеризация категорийных данных: масштабируемый алгоритм CLOPE. www.basegroup.ru
Сапегин Л.Н. Метод кластеризации многомерных статистических данных. Труды научно-технической конференции «Безопасность информационных технологий» под редакцией Волчихина В.И., Зефирова С.Л., Иванова А.И. Пенза: Издательство Пензенского научно-исследовательского электротехнического института, 2004.
http://www.intuit.ru
Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шеффер М. Многомерный статистический анализ в экономике. –М.: ЮНИТИ. 1999. гл. 9
Айвазян С.А., Бухшбер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. –М.: Финансы и статистика. 1989. гл. 2-4.
Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. –М.: ЮНИТИ. 1998. гл.12.
Афифи А., Эйзен С. Статистический анализ: подход с использованием ЭВМ. –М.: Мир, 1992.
Ким Дж., Мюллер Ч.У. и др. Факторный, дискриминационный и кластерный анализ. Пер. с англ. –М.: Финансы и статистика. 1989.
Плюта В. Сравнительный многомерный анализ в экономическом моделировании. Пер. с польского. –М.: Финансы и статистика. 1989
Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шеффер М. Многомерный статистический анализ в экономике. –М.: ЮНИТИ. 1999. гл. 10

Тема 8. Методы Naive Bayes, ассоциации, построения логических правил (If- Then).

Понятие о методе Naive Bayes. Пример применения метода Navie Bayes.

Проблемы использования метода Navie Bayes. Область применения метода Naive Bayes.

Понятие об ассоциации. Метод Basket Analysis. Оценка полезности ассоциативных правил: поддержка (support), достоверность (confidence), улучшение (improvement).

Методы нахождения последовательностей (сиквенциальный анализ).

Разновидности ассоциативных правил.

Алгоритмы. Алгоритм Apriori. Пример применения алгоритма Apriori. Разновидности алгоритма Apriori.

Понятие о методе If-Then. Поиск логических правил в данных (на примере системы WizWhy). Основные черты метода. Загрузка и управление данными. Задание параметров процедуры поиска правил. Настройки выдачи отчетов.

Дополнительные возможности построения логических правил. Работа с окном диалога Ошибки/Примеры (Errors/Examples). Работа с окнами форматирования. Окно работы с внешними данными. Отчеты системы (Отчет о правилах, список правил, визуализация полученных правил, содержание записи в деталях, индекс признака, окно распечатки, окно экспорта правил, отчет о трендах, отчет о неожиданных правилах).

Предсказание на основе полученных правил.

Построение множества правил и деревьев решений на примере системы See5. Подготовка данных для See5 (Файл имен переменных, файл данных, файлы тестовых данных, файл стоимости). Интерфейс пользователя.

Построение дерева решений. Детальное изучение результатов. Преобразование дерева решений в набор правил. Усиление решения (Boosting).

Использование правил для принятия решений. Смягчение порогов. Дополнительные настройки алгоритма. Перекрестная проверка полученных результатов. Выборка из больших наборов данных. Учет стоимости различных ошибок классификации. Использование классификаторов. Детальная проверка и сохранение результатов.

Основная

Перминов Г.И. УМК - «Системы интеллектуального анализа данных» (Business Intelligence). ГУ-ВШЭ, 2007.

Дополнительная

Перминов Г.И. УМК .Reader. Nabie Bayea algoritm
Перминов Г.И. УМК . Reader. Nabie Bayea.pdf
Перминов Г.И. УМК. Reader. The learnability of Nabie.pdf
Иерархическая модель Navie Bayes

1 2

	Программа дисциплины «Сценарный трейдинг» Правительство Российской... Федеральное государственное автономное образовательное учреждение высшего профессионального образования		Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования
	Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования		Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования
	Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования		Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования
	Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования		Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования
	Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования		Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования
	Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования		Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования
	Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования		Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования
	Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования		Правительство Российской Федерации Федеральное государственное автономное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования

Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования

Правительство Российской Федерации

Федеральное государственное автономное образовательное учреждение высшего профессионального образования

Программа дисциплины

Рекомендовано секцией УМС Одобрена на заседании

Секция «Бизнес-информатика» кафедры бизнес-аналитики

Утверждено УС факультета

Бизнес-информатики

Похожие: