Навчання > Технології Business Intelligence та Data Science

Технології Business Intelligence та Data Science

Тип: На вибір студента

Кафедра: цифрової економіки та бізнес-аналітики

Навчальний план

СеместрКредитиЗвітність
94Залік

Лекції

СеместрК-сть годинЛекторГрупа(и)
916Мищишин О. Я.УФЕМ-51с

Лабораторні

СеместрК-сть годинГрупаВикладач(і)
916УФЕМ-51сМищишин 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:

  1. Айвазян С. А. Прикладная статистика: классификация и снижение размерности / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин., 1989. 607 с.
  2. 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.
  3. Бокс Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. 1974,. 406 с.
  4. Бонгард М. М. Проблема узнавания. М.: Наука, 1967. 320 с.
  5. 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.
  6. Горбань А. Н. Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, Е. М. Миркес., 1998. 296 с.
  7. 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.
  8. Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. М.: ДМК Пресс, 2018.
  9. 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.
  10. Дрейпер Н. Прикладной регрессионный анализ / Н. Дрейпер, Г. Смит. М.: Финансы и статистика. Кн. 1, 1986. 366 с. Кн. 2, 1987. 352 с.
  11. Дэйвисон М. Многомерное шкалирование. Методы наглядного представления данных. М.: Финансы и статистика, 1988. 348 с.
  12. Загоруйко Н. Г. Прикладные методы анализа данных и знаний., 1999. 270 с.
  13. Зайцев К. С. Применение методов Data Mining для поддержки процессов управления IT-услугами. М.: МИФИ, 2009. 96 с.
  14. Зарядов И. С. Статистический пакет R: теория вероятностей и математическая статистика., 2010. 141 с.
  15. Ким Дж.-О. Факторный, дискриминантный и кластерный анализ / Дж.- О. Ким, Ч. У. Мюллер, У. Р. Клекка. М.: Финансы и статистика, 1989. 215 с.
  16. Классификация и кластер / под ред. Дж. Вэн-Райзина., 1980., 390 с.
  17. Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных работников, 2006. 816 с.
  18. 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.
  19. Криват Б. Microsoft SQL Server 2008: Data Mining – интеллектуальный анализ данных / Б. Криват, Д. Макленнен, Ч. Танг. BHV, 2009.
  20. Лбов Г. С. Методы обработки разнотипных экспериментальных данных., 1981. 160 с.
  21. 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.
  22. Люк Д. Анализ сетей (графов) в среде R. Руководство пользователя. ДМК Пресс, 2016.
  23. Мастицкий С. Э. Визуализация данных с помощью ggplot2. : ДМК Пресс, 2016.
  24. Мастицкий С. Э. Статистический анализ и визуализация данных с помощью R / С. Э. Мастицкий, В. К. Шитиков. : ДМК Пресс, 2015.
  25. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных.: ДМК Пресс, 2015. 400 с.
  26. Хокинс Д. Об интеллекте / Д. Хокинс, С. Блейксли. : ООО «ИД Вильямс», 2007. 204 с.
  27. Храмов Д. А. Сбор данных в Интернете на языке R. : ДМК Пресс, 2016.
  28. Черняк А. И. Интеллектуальный анализ данных: учебник / А. И. Черняк, П. В. Захарченко; Киевский национальный университет имені Т. Шевченко. К.: Знание, 2014. 599 с.
  29. Чубукова И. А. Data Mining: учебное пособие.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006.
  30. Шипунов А. Б. Наглядная статистика. Используем R! : ДМК Пресс, 2014. 298 с.
  31. Эфрон Б. Нетрадиционные методы многомерного статистического анализа..: Финансы и статистика, 1988. 263 с.

Додаткова:

  1. 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.
  2. Agrawal R., Srikant R. (1994). “Fast Discovery of Association Rules”, In Proc. of the 20th International Conference on VLDB, Santiago, Chile, September 1994.
  3. Bartholomew, D. J. (1987). Latent variable models and factor analysis. Oxford University Press.
  4. Basilevsky, A. (1994). Statistical Factor Analysis and Related Methods: 5. Тheory and Applications. Wiley.
  5. Bengio, Y. and LeCun, Y. (2007). Scaling learning algorithms towards AI. 7. In Large Scale Kernel Machines.
  6. Bertsekas, D. P. and Тsitsiklis, J. (1996). Neuro-Dynamic Programming. Athena Scientific.
  7. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

Матеріали

Навчальна програма

Завантажити навчальну програму

Силабус:

Завантажити силабус