Интеллектуальные информационные системы

2022/2023

Учебный год

RUS

Обучение ведется на русском языке

6

Кредиты

Кто читает:

Кафедра информационных технологий в бизнесе (Пермь) (Факультет социально-экономических и компьютерных наук)

Статус:

Курс обязательный

Когда читается:

3-й курс, 1, 2 модуль

Преподаватель

Мухин Олег Игоревич

Программа дисциплины

Аннотация

Целями освоения дисциплины является формирование у студентов комплекса теоретических знаний и методологических основ в области проведения 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, выполняемых с использованием интеллектуальных системах. 2. Познакомиться с основными методами интеллектуального анализа данных. 3. Изучить основные технологии построения алгоритмов 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 студент должен: 1. знать основные понятия математического анализа, теории вероятностей и математической статистики, 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.

Планируемые результаты обучения

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

Содержание учебной дисциплины

• Основные понятия, назначение и место интеллектуальных систем в ИТ-инфраструктуре предприятия
• Основные задачи, модели и методы разведочного анализа
• Программные средства разведочного анализа
• Использование нечётких множеств и отношений для представления знаний в интеллектуальных системах
• Визуальный анализ данных
• Деревья классификации и регрессии
• Основы кластерного анализа
• Интеллектуальные методы на основе искусственных нейронных сетей

Элементы контроля

• Лабораторная работа 1
• Лабораторная работа 2
• Лабораторная работа 3
• Лабораторная работа 4
• Самостоятельная работа
• Экзамен
• Лабораторная работа 1
• Лабораторная работа 2
• Лабораторная работа 3
• Лабораторная работа 4
• Самостоятельная работа
• Экзамен

Промежуточная аттестация

• 2022/2023 учебный год 2 модуль
  0.2 * Самостоятельная работа + 0.4 * Экзамен + 0.1 * Лабораторная работа 2 + 0.1 * Лабораторная работа 3 + 0.1 * Лабораторная работа 1 + 0.1 * Лабораторная работа 4

Список литературы

Рекомендуемая основная литература

• Анализ данных : учебник для академического бакалавриата / В. С. Мхитарян [и др.] ; под редакцией В. С. Мхитаряна. — Москва : Издательство Юрайт, 2019. — 490 с. — (Бакалавр. Академический курс). — ISBN 978-5-534-00616-2. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/432178 (дата обращения: 28.08.2023).
• Анализ данных в MS Excel : основные сведения о MS Excel, статистические таблицы и графики, статистические функции, пакет анализа (анализ данных) : учеб. пособие для вузов, Мхитарян, В. С., 2018
• Введение в анализ данных : учебник и практикум для вузов, Миркин, Б. Г., 2015
• Горбаченко, В. И.  Интеллектуальные системы: нечеткие системы и сети : учебное пособие для вузов / В. И. Горбаченко, Б. С. Ахметов, О. Ю. Кузнецова. — 2-е изд., испр. и доп. — Москва : Издательство Юрайт, 2019. — 105 с. — (Университеты России). — ISBN 978-5-534-08359-0. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/444125 (дата обращения: 28.08.2023).
• Груздев, А. В. Прогнозное моделирование в IBM SPSS Statistics, R и Python: метод деревьев решений и случайный лес : руководство / А. В. Груздев. — Москва : ДМК Пресс, 2018. — 642 с. — ISBN 978-5-97060-539-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/123700 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Красавин, А. В.  Компьютерный практикум в среде matlab : учебное пособие для вузов / А. В. Красавин, Я. В. Жумагулов. — 2-е изд. — Москва : Издательство Юрайт, 2019. — 277 с. — (Университеты России). — ISBN 978-5-534-08509-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/442328 (дата обращения: 28.08.2023).
• Ростовцев В.С. - Искусственные нейронные сети: учебник - Издательство "Лань" - 2019 - 216с. - ISBN: 978-5-8114-3768-9 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/122180
• Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. — Москва : ДМК Пресс, 2015. — 400 с. — ISBN 978-5-97060-273-7. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/69955 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Барский, А. Б. Введение в нейронные сети : учебное пособие / А. Б. Барский. — 2-е изд. — Москва : ИНТУИТ, 2016. — 358 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100684 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Барский, А. Б. Логические нейронные сети : учебное пособие / А. Б. Барский. — 2-е изд. — Москва : ИНТУИТ, 2016. — 492 с. — ISBN 978-5-94774-646-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100630 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Волкова, Е. С., Нечеткие множества и мягкие вычисления в экономике и финансах : учебное пособие / Е. С. Волкова, В. Б. Гисин. — Москва : КноРус, 2019. — 155 с. — ISBN 978-5-406-06705-5. — URL: https://book.ru/book/930521 (дата обращения: 25.08.2023). — Текст : электронный.
• Казанский, А. А.  Прикладное программирование на Excel 2019 : учебное пособие для вузов / А. А. Казанский. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2019. — 171 с. — (Высшее образование). — ISBN 978-5-534-12022-6. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/446669 (дата обращения: 28.08.2023).
• Калинина, В. Н., Анализ данных. Компьютерный практикум : учебное пособие / В. Н. Калинина, В. И. Соловьев. — Москва : КноРус, 2017. — 166 с. — (для бакалавров). — ISBN 978-5-406-04895-5. — URL: https://book.ru/book/929386 (дата обращения: 25.08.2023). — Текст : электронный.
• Соловьев, В. И., Анализ данных в экономике: Теория вероятностей, прикладная статистика, обработка и анализ данных в Microsoft Excel. : учебник / В. И. Соловьев. — Москва : КноРус, 2019. — 497 с. — ISBN 978-5-406-06940-0. — URL: https://book.ru/book/930826 (дата обращения: 25.08.2023). — Текст : электронный.
• Федоров, Д. Ю.  Программирование на языке высокого уровня Python : учебное пособие для среднего профессионального образования / Д. Ю. Федоров. — 2-е изд. — Москва : Издательство Юрайт, 2019. — 161 с. — (Профессиональное образование). — ISBN 978-5-534-11961-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/446505 (дата обращения: 28.08.2023).