• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Intelligent Information Systems

2022/2023
Academic Year
RUS
Instruction in Russian
6
ECTS credits
Delivered at:
Department of Information Technologies in Business (Faculty of Computer Science, Economics, and Social Sciences)
Course type:
Compulsory course
When:
3 year, 1, 2 module

Instructor

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

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

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

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

Элементы контроля

  • неблокирующий Лабораторная работа 1
  • неблокирующий Лабораторная работа 2
  • неблокирующий Лабораторная работа 3
  • неблокирующий Лабораторная работа 4
  • неблокирующий Самостоятельная работа
  • неблокирующий Экзамен
  • неблокирующий Лабораторная работа 1
  • неблокирующий Лабораторная работа 2
  • неблокирующий Лабораторная работа 3
  • неблокирующий Лабораторная работа 4
  • неблокирующий Самостоятельная работа
  • неблокирующий Экзамен
Промежуточная аттестация

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

Список литературы

Рекомендуемая основная литература

  • 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., Ахметов Б. С., Кузнецова О. Ю. - ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ: НЕЧЕТКИЕ СИСТЕМЫ И СЕТИ 2-е изд., испр. и доп. Учебное пособие для вузов - М.:Издательство Юрайт - 2019 - 105с. - ISBN: 978-5-534-08359-0 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/intellektualnye-sistemy-nechetkie-sistemy-i-seti-444125
  • 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., Жумагулов Я. В. - КОМПЬЮТЕРНЫЙ ПРАКТИКУМ В СРЕДЕ MATLAB 2-е изд. Учебное пособие для вузов - М.:Издательство Юрайт - 2019 - 277с. - ISBN: 978-5-534-08509-9 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/kompyuternyy-praktikum-v-srede-matlab-442328
  • Под ред. Мхитаряна В.С. - АНАЛИЗ ДАННЫХ. Учебник для академического бакалавриата - М.:Издательство Юрайт - 2019 - 490с. - ISBN: 978-5-534-00616-2 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/analiz-dannyh-432178
  • 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., Гисин В.Б. - Нечеткие множества и мягкие вычисления в экономике и финансах - КноРус - 2019 - ISBN: 978-5-406-06705-5 - Текст электронный // ЭБС BOOKRU - URL: https://book.ru/book/930521
  • Казанский А. А. - ПРИКЛАДНОЕ ПРОГРАММИРОВАНИЕ НА EXCEL 2019 2-е изд., пер. и доп. Учебное пособие для вузов - М.:Издательство Юрайт - 2019 - 171с. - ISBN: 978-5-534-12022-6 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/prikladnoe-programmirovanie-na-excel-2019-446669
  • Калинина В.Н., Соловьев В.И. - Анализ данных. Компьютерный практикум (для бакалавров) - КноРус - 2017 - ISBN: 978-5-406-04895-5 - Текст электронный // ЭБС BOOKRU - URL: https://book.ru/book/929386
  • Соловьев В.И. - Анализ данных в экономике: Теория вероятностей, прикладная статистика, обработка и анализ данных в Microsoft Excel - КноРус - 2019 - ISBN: 978-5-406-06940-0 - Текст электронный // ЭБС BOOKRU - URL: https://book.ru/book/930826
  • Федоров Д. Ю. - ПРОГРАММИРОВАНИЕ НА ЯЗЫКЕ ВЫСОКОГО УРОВНЯ PYTHON 2-е изд. Учебное пособие для СПО - М.:Издательство Юрайт - 2019 - 161с. - ISBN: 978-5-534-11961-9 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/programmirovanie-na-yazyke-vysokogo-urovnya-python-446505