Программа дисциплины Анализ данных и прогнозирование для направления 080700. 62 Бизнес-информатика

Факультет бизнес - информатики

Программа дисциплины

Пермь, 2012г.

1. 
   Автор программы: Мальцев Павел Андреевич.
   

2. 
   Требования к студентам: Приступая к изучению данной дисциплины, студент должен обладать знаниями информатики в объеме общеобразовательной школы, а также знаниями, полученными при изучении курсов «Базы данных», «Имитационное моделирование», «Эконометрика», «Хранилища данных».
   

3. 
   Аннотация: Цель дисциплины – дать подготовку, необходимую для успешного освоения современных методов и средств анализа данных. Полученные в результате освоения дисциплины знания необходимы при решении практических задач в сфере профессиональной деятельности, проектировании и разработке информационно-аналитических систем, систем поддержки принятия решений и других средств Business Intelligence.
   

4. 
   Учебная задача курса:
   

• 
  основные принципы и методику анализа данных;
  
• 
  основные принципы сбора и подготовки исходных данных;
  
• 
  основные принципы моделирования неопределённости;
  
• 
  основные методы анализа временных рядов;
  
• 
  основы корреляционного анализа;
  
• 
  основы дисперсионного анализа;
  
• 
  основные методы и алгоритмы интеллектуального анализа;
  
• 
  основы визуального анализа;
  
• 
  суть технологии OLAP.
  

• 
  применять изученные методы анализа данных при решении реальных практических задач.
  

• 
  о современном состоянии технологий и методов анализа данных;
  
• 
  о значении, областях применения и задачах решаемых Business Intelligence;
  
• 
  о тенденциях и перспективах развития средств Business Intelligence.
  

• 
  разработки инструментальных средств анализа данных.
  

5. 
   Формы контроля:
   

• 
  текущий контроль: согласно графику контрольных мероприятий выполняется домашнее задание;
  

  Вид контрольного мероприятия	Тема	Вес контрольных точек
  Домашняя работа	Программная реализация решения одной из задач интеллектуального анализа данных: классификация, кластеризация, поиск ассоциативных правил.	100%

• 
  итоговый контроль: устное собеседование по изученному материалу;
  

• 
  итоговая оценка:
  

1. 
   Литература:
   

1. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. – Санкт-Петербург: «БХВ-Петербург», 2008

Основная

1. Ларсон Б. Разработка Бизнес-аналитики в Microsoft SQL Server 2005. – Москва: «Питер», 2008

2. Бергер А., Горбач И., Меломед Э., Щербин В., Степаненко В. Microsoft SQL Server 2005 Analysis Services. OLAP и многомерный анализ данных. – Санкт-Петербург: «БХВ-Петербург», 2007

Дополнительная

1. Материалы сайта http://www.olap.ru

2. Материалы сайта http://basegroup.ru

1. 
   Рекомендации по использованию информационных технологии:
   

• 
  классификация;
  
• 
  поиск ассоциативных правил;
  
• 
  секвенциальный анализ;
  
• 
  кластеризация.
  

1. 
   Соответствие представленной программы выбранной задаче интеллектуального анализа данных, отсутствие фатальных ошибок - 10 баллов.
   
2. 
   Удобность пользовательского интерфейса и адекватность выбранных средств визуализации данных – 5 баллов
   
3. 
   Корректность работы системы, отсутствие в системе не фатальных ошибок и приемлемая производительность – 5 баллов.
   

1. 
   Пирамида знаний.
   
2. 
   Задача анализа данных (Постановка, история возникновения, онтология методов
   
3. 
   Методика анализа данных.
   
4. 
   Подготовка исходного набора данных.
   
5. 
   Моделирование неопределённости. Вероятностные рассуждения.
   
6. 
   Условные Байесовские сети.
   
7. 
   Интеллектуальный анализ данных (определение и классификация задач).
   
8. 
   Knowledge Discovery in Databases (KDD).
   
9. 
   Задача классификации (постановка и методы решения).
   
10. 
    Задача поиска ассоциативных правил (постановка и методы решения).
    
11. 
    Задача секвенциального анализа (постановка и методы решения).
    
12. 
    Задача кластеризации (постановка и методы решения).
    
13. 
    Оперативная аналитическая обработка (OLAP) и многомерная модель данных.
    
14. 
    Экспертные системы (определение, назначение, модели представления знаний, достоинства).
    
15. 
    Визуальный анализ данных.
    
16. 
    Задача анализа временных рядов (определение временного ряда, классификация рядов динамики, разложение по компонентам).
    
17. 
    Аномальные уровни временных рядов причины их возникновения и методы их устранения.
    
18. 
    Тренд-сезонные экономические процессы и их анализ.
    
19. 
    Задача дисперсионного анализа (постановка и методы решения).
    
20. 
    Задача корреляционного анализа (постановка и методы решения).
    
21. 
    Алгоритм Naive Bayes.
    
22. 
    Алгоритм C4.5.
    
23. 
    Алгоритм Apriori.
    
24. 
    Алгоритм C-means.
    
25. 
    Основные статистические показатели временных рядов.
    
26. 
    Метод Ирвина.
    
27. 
    Метод проверки разности средних уровней.
    
28. 
    Метод Фостера – Стюарта.
    
29. 
    Методы сглаживания временных рядов.
    
30. 
    Метод Четверикова.
    
31. 
    Основные статистические показатели временных рядов.
    

1. 
   Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. – Санкт-Петербург: «БХВ-Петербург», 2008.
   
2. 
   Материалы сайта http://basegroup.ru.
   

1. 
   Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. – Санкт-Петербург: «БХВ-Петербург», 2008.
   
2. 
   Материалы сайта http://basegroup.ru.
   

1. 
   Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. – Санкт-Петербург: «БХВ-Петербург», 2008.
   

1. 
   Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. – Санкт-Петербург: «БХВ-Петербург», 2008.
   
2. 
   Материалы сайта http://basegroup.ru.