Технології Business Intelligence та Data Science
Тип: На вибір студента
Кафедра: цифрової економіки та бізнес-аналітики
Навчальний план
Семестр | Кредити | Звітність |
9 | 4 | Залік |
Лекції
Семестр | К-сть годин | Лектор | Група(и) |
9 | 16 | Мищишин О. Я. | УФЕМ-51с |
Лабораторні
Семестр | К-сть годин | Група | Викладач(і) |
9 | 16 | УФЕМ-51с | Мищишин О. Я. |
Опис курсу
Дисципліна “Технології Business Intelligence та Data Science” є базою для вивчення спеціальних дисциплін, здобуті знання знадобляться в подальшій практичній діяльності майбутнім фахівцям галузі економіки.
Предметом навчальної дисципліни є математичні методи й моделі, що застосовуються у процесі розв’язування оптимізаційних задач та задач прогнозування динаміки соціально-економічних процесів, які виникають у процесі функціонування динамічних детермінованих і стохастичних систем у макро- та мікроекономіці.
Мета вивчення дисципліни “Технології Business Intelligence та Data Science”: формування системи знань з методології та інструментарію побудови і використання різних типів економіко-математичних моделей.
Основними завданнями дисципліни “Технології Business Intelligence та Data Science” є вивчення основних принципів та інструментарію постановки задач, побудови економіко-математичних моделей, методів їх розв’язування та аналізу з метою використання в економіці.
Вимоги до знань і умінь
У результаті вивчення навчальної дисципліни “Технології Business Intelligence та Data Science” студент має:
а) знати
- принципи побудови чисельних алгоритмів;
- основні методи обліку похибок чисельних роз в’язків;
- методи одержання чисельних розв’язків з використанням обчислювальної техніки;
- суть та основні принципи побудови алгоритмів обчислення задач;
- постановку та методи розв’язування лінійної задачі;
- вигляд транспортної задачі та методи її розв’язування;
- сутність економетричного моделювання та його етапи;
- методи оцінювання параметрів економетричної моделі;
- методи оцінювання адекватності економетричних моделей та їх параметрів.
б) уміти
- аналізувати та розробляти алгоритми для розв’язання задач за допомогою чисельних методів;
- розробляти програмні застосування з використанням чисельних методів засобами візуального проектування;
- використовувати засоби математичних програм та пакетів;
- оцінювати похибки та проаналізувати отриманий розв’язок;
- будувати математичні моделі економічних задач;
- розв’язувати задачі лінійного програмування;
- виконувати побудову та розв’язування транспортних задач;
- ідентифікувати змінні та специфікувати економетричні моделі;
- оцінювати параметри економетричної моделі;
- перевіряти адекватність економетричних моделей та їх параметрів;
- виконувати точковий та інтервальний прогноз.
Рекомендована література
Основна література:
- Айвазян С. А. Прикладная статистика: классификация и снижение размерности / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин., 1989. 607 с.
- Барсегян А. А. Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод. 2007.
- Бокс Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. 1974,. 406 с.
- Бонгард М. М. Проблема узнавания. М.: Наука, 1967. 320 с.
- Венэбльз У. Н. Введение в R. Заметки по R: среда программирования для анализа данных и графики / У. Н. Венэбльз, Д. М. Смит. 2014. 109 с.
- Горбань А. Н. Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, Е. М. Миркес., 1998. 296 с.
- Горбач А. Н. Покупательское поведение: анализ спонтанных последовательностей и регрессионных моделей в маркетинговых исследованиях / А. Н. Горбач, Н. А. Цейтлин. Киев: Освiта Україны, 2011. 220 с.
- Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. М.: ДМК Пресс, 2018.
- Джеймс Г. Введение в статистическое обучение с примерами на языке R / Г. Джеймс, Д. Уиттон, Т. Хасти, Р. Тибширани. М.: ДМК Пресс, 2016. 450 с.
- Дрейпер Н. Прикладной регрессионный анализ / Н. Дрейпер, Г. Смит. М.: Финансы и статистика. Кн. 1, 1986. 366 с. Кн. 2, 1987. 352 с.
- Дэйвисон М. Многомерное шкалирование. Методы наглядного представления данных. М.: Финансы и статистика, 1988. 348 с.
- Загоруйко Н. Г. Прикладные методы анализа данных и знаний., 1999. 270 с.
- Зайцев К. С. Применение методов Data Mining для поддержки процессов управления IT-услугами. М.: МИФИ, 2009. 96 с.
- Зарядов И. С. Статистический пакет R: теория вероятностей и математическая статистика., 2010. 141 с.
- Ким Дж.-О. Факторный, дискриминантный и кластерный анализ / Дж.- О. Ким, Ч. У. Мюллер, У. Р. Клекка. М.: Финансы и статистика, 1989. 215 с.
- Классификация и кластер / под ред. Дж. Вэн-Райзина., 1980., 390 с.
- Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных работников, 2006. 816 с.
- Краскэл Дж. Б. Многомерное шкалирование и другие методы поиска структуры // Статистические методы для ЭВМ / под ред. К. Энслейна, Э. Рэлстона, Г. С. Уилфа. 1986. С. 301–347.
- Криват Б. Microsoft SQL Server 2008: Data Mining – интеллектуальный анализ данных / Б. Криват, Д. Макленнен, Ч. Танг. BHV, 2009.
- Лбов Г. С. Методы обработки разнотипных экспериментальных данных., 1981. 160 с.
- Ллойд Э. Справочник по прикладной статистике. В 2-х т. / Э. Ллойд, У. Ледерман. М.: Финансы и статистика. Т. 1. 1989. 510 с., Т. 2. 1990.,526 с.
- Люк Д. Анализ сетей (графов) в среде R. Руководство пользователя. ДМК Пресс, 2016.
- Мастицкий С. Э. Визуализация данных с помощью ggplot2. : ДМК Пресс, 2016.
- Мастицкий С. Э. Статистический анализ и визуализация данных с помощью R / С. Э. Мастицкий, В. К. Шитиков. : ДМК Пресс, 2015.
- Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных.: ДМК Пресс, 2015. 400 с.
- Хокинс Д. Об интеллекте / Д. Хокинс, С. Блейксли. : ООО «ИД Вильямс», 2007. 204 с.
- Храмов Д. А. Сбор данных в Интернете на языке R. : ДМК Пресс, 2016.
- Черняк А. И. Интеллектуальный анализ данных: учебник / А. И. Черняк, П. В. Захарченко; Киевский национальный университет имені Т. Шевченко. К.: Знание, 2014. 599 с.
- Чубукова И. А. Data Mining: учебное пособие.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006.
- Шипунов А. Б. Наглядная статистика. Используем R! : ДМК Пресс, 2014. 298 с.
- Эфрон Б. Нетрадиционные методы многомерного статистического анализа..: Финансы и статистика, 1988. 263 с.
Додаткова:
- Agrawal R., Imielinski T., Swami A. (1993). Mining Associations between Sets of Items in Massive Databases. In Proc. of the 1993 ACM-SIGMOD Int’l Conf. on Management of Data, 207–216.
- Agrawal R., Srikant R. (1994). “Fast Discovery of Association Rules”, In Proc. of the 20th International Conference on VLDB, Santiago, Chile, September 1994.
- Bartholomew, D. J. (1987). Latent variable models and factor analysis. Oxford University Press.
- Basilevsky, A. (1994). Statistical Factor Analysis and Related Methods: 5. Тheory and Applications. Wiley.
- Bengio, Y. and LeCun, Y. (2007). Scaling learning algorithms towards AI. 7. In Large Scale Kernel Machines.
- Bertsekas, D. P. and Тsitsiklis, J. (1996). Neuro-Dynamic Programming. Athena Scientific.
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.