Математические и инструментальные методы машинного обучения. Часть 2

Обработка и анализ больших данных представляет собой новую практическую задачу, требующую навыков работы с современным инструментарием. В настоящее время данные называют «нефтью 21 века», они накапливаются в корпоративных и государственных информационных системах, социальных сетях, веб-блогах и сайтах и потенциально являются ценным ресурсом для извлечения новых знаний, инсайтов для научных исследований, повышения эффективности и конкурентоспособности предприятий. Методы интеллектуального анализа больших данных, таким образом, представляют собой тот необходимый инструмент для высвобождения этого потенциала.

Курс «Математические и инструментальные методы машинного обучения» входит в число базовых при подготовке современных экономистов-математиков на уровне магистров. Изучение дисциплины позволит студентам получить и развивать навыки анализа и диагностики проблем экономики, современных методов их решения, а также ознакомиться с современной спецификой исследования операций в зарубежных и отечественных организациях.

Целями и задачами курса являются: формирование у будущих магистров фундаментальных общеэкономических и естественнонаучных знаний;  освоение магистрантами   математических и инструментальных методов машинного обучения; использование  современных  информационно-коммуникационных технологий в профессиональной деятельности;            закрепление профессиональных навыков в области прогнозирования основных социально-экономических показателей деятельности предприятия, отрасли, региона и экономики в целом.

В курсе использованы инновационные подходы: включение в факультетскую систему «ИНФОМИФИСТ» 18 уроков (лекций)  курса с тренингами и контрольными вопросами, проведения зачета в электронном формате с индивидуальной идентификацией студентов (логин, пароль) и троекратной возможностью пересдачи.

Компетенции по решению задач в анализе данных с помощью методов машинного обучения,  будут получены студентами после прохождения курса «Математические и инструментальные методы машинного обучения». Изучение дисциплины позволит выработать навыки постановки и решения проблем развития организации, развить творческое мышление специалистов в области системного анализа и бизнес-моделирования, выработать умение решать управленческие проблемы в конкретной экономической ситуации.

Мотивационная фраза:  «Освоение интеллектуальных методов для решения интеллектуальных задач».

Стоимость доступа к материалам курса за исключением ознакомительной части (включая тестовые материалы и возможность пройти экзамен с прокторингом и получить сертификат) составляет 3600 рублей. Для этого нужно пройти текущее тестирование не меньше чем на 60% и итоговый тест не меньше чем на 60%.

Платформа RapidMiner

Модуль 1. Понятие описательных статистик (Неделя 1)

Урок 7.  Подходы к визуализации: геометрический, древовидный.

Понятие описательных статистик. Вычисление основных показателей положения и вариации. Построение частотных полигонов и гистограмм.

Модуль 2. Анализ связей (Неделя 2)

Урок 8.  Корреляционный анализ/Понятие корреляционной связи. Коэффициент корреляции Пирсона. Ранговые коэффициенты. Коэффициенты корреляции для дихотомических и номинальных переменных.

Урок 9.  Регрессионный анализ/Простая линейная регрессия. Проверка значимости уравнения линейной регрессии. Оценка качества уравнения линейной регрессии. Коэффициент детерминации. Доверительный интервал линейной регрессии.

Модуль 3. Кластеризация (Неделя 3)

Урок 10.  Постановка задачи кластеризации/Понятие кластера. Обзор прикладных задач с использованием методов кластеризации. Обзор основных понятий и методов кластерного анализа.

Урок 11. Иерархические  и итеративные методы кластеризации/Иерархическая агломеративная кластеризация. Дендрограммы. Дивизимные методы кластеризации. Метод МакКуина (к-средних).

Модуль 4. Мягкая и жёсткая кластеризация (Неделя 4)

Урок 12. Критерии качества кластеризации.

В результате обучения по курсу слушатель будет 

Знать:

• Основные стандарты и методологии анализа и обработки социально-экономических данных.
• Основные методы описания и визуализации структуры социально-экономических данных
• Основные методы сокращения размерности многомерных задач
• Основные методы поиска закономерностей в массивах социально-экономических данных
• Основные методы анализа качественных и текстовых данных

Уметь:

• Описывать и визуализировать исходные социально-экономические данные
• Проводить обработку исходных социально-экономических данных
• Искать закономерности в исходных социально-экономических данных
• Создавать прогнозы на основании исходных социально-экономических данных

Владеть:

• Методами описания и визуализации социально-экономических данных
• Методами анализа и обработки социально-экономических данных
• Методами анализа качественных и текстовых данных
• Инструментальными средствами анализа и обработки социально-экономических данных

Знание основных стандартов и методологии анализа и обработки социально-экономических данных

Знание основных методов описания и визуализации структуры социально-экономических данных

Знание основных методов сокращения размерности многомерных задач

Знание основных методов поиска закономерностей в массивах социально-экономических данных

Знание основных методов анализа качественных и текстовых данных

Умение  описывать и визуализировать исходные социально-экономические данные

Умение проводить обработку исходных социально-экономических данных

Умение искать закономерности в исходных социально-экономических данных

Умение создавать прогнозы на основании исходных социально-экономических данных

Владение методами описания и визуализации социально-экономических данных

Владение методами анализа и обработки социально-экономических данных

Владение методами анализа качественных и текстовых данных

Владение инструментальными средствами анализа и обработки социально-экономических данных