Математические и инструментальные методы машинного обучения. Часть 1

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.

Программа «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 программы 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 программе 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».

Модуль 1. Задачи и методологии анализа данных

Урок 1.  Введение в задачи анализа данных. Описание стандартов CRISP-DM, KDD, SEMMA. Основные понятия и методы анализа данных.

Урок 2.  Среда интеллектуального анализа данных RapidMiner.

Модуль 2. Подготовка данных

Урок 3.  Очистка, и обогащение данных.

Урок 4.  Метод главных компонент. Матрица нагрузок и матрица счетов. График собственных значений. Критерий Кайзера. Вращение методом Варимакс. Интерпретация результатов факторного анализа.

Модуль 3. Визуализация данных 

Урок 5.  Визуализация данных. Понятие и основные задачи визуализации.

Урок 6.  Подходы к визуализации: геометрический, древовидный.

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