Тема 5. Методы кластеризации

Тема 4. Методы ассоциация

Тема 3. Методы предподготовки данных

Тема 2. Основные понятия математической статистики

Тема 1. Введение в анализ данных

С ОБЕСПЕЧИВАЕМЫМИ ДИСЦИПЛИНАМИ

ОБЪЁМ ДИСЦИПЛИНЫ И ВИДЫ УЧЕБНОЙ РАБОТЫ

Общая трудоёмкость дисциплины составляет 4 зачётных единиц.

Вид промежуточной аттестации – тестирование

Вид итоговой аттестации - зачет.

Вид учебной работы	Часы	Семестры
Общая трудоёмкость дисциплины
Аудиторные занятия
Лекции (Л)
Практические занятия (ПЗ)
Самостоятельная работа
В семестре
В сессию

МЕЖДИСЦИПЛИНАРНЫЕ СВЯЗИ РАЗДЕЛОВ И ТЕМ ДИСЦИПЛИНЫ

№п/п	Наименование обеспечиваемых (последующих) дисциплин базовой части	Номера разделов данной дисциплины, необходимых для изучения обеспечиваемых (последующих) дисциплин базовой части
	Математика	*	*	*	*	*
	Теория вероятностей и математическая статистика	*	*	*	*
	Эконометрика	*	*	*

СТРУКТУРА ДИСЦИПЛИНЫ (ТЕМАТИЧЕСКИЙ ПЛАН)

№ п/п	Наименование раздела и темы дисциплины	Трудоёмкость в часах
Всего часов	Аудиторная работа	Внеауди-торная (самостоя-тельная) работа
Общая	Лек-ции	Семинары и/или практичес- кие занятия	Общая
	Введение в анализ данных
	Основные понятия математической статистики.
	Методы предподготовки данных
	Методы ассоциация
	Методы кластеризации
	Методы классификации и регрессии
	Анализ и прогнозирование временных рядов
	Ансамбли моделей
	Всего

СОДЕРЖАНИЕ ДИСЦИПЛИНЫ

Введение в анализ данных. Проблема обработки данных. Матрица данных. Гипотезы компактности и скрытых факторов. Структура матрицы данных и задачи обработки. Матрица объект-объект и признак-признак. Расстояние и близость. Измерение признаков. Отношения и их представление. Основные проблемы измерений. Основные типы шкал. Проблема адекватности. Основные задачи анализа и интерпретации данных

Основные понятия теории вероятности. Понятие случайной величины. Распределения. Выборочный метод. Оценка параметров распределения. Проверка статистических гипотез.

Оценка качества данных. Технологии и методы оценки качества данных. Очистка и предобработка. Фильтрация данных. Обработка дубликатов и противоречий. Выявление аномальных значений. Восстановление пропущенных значений. Введение в сокращение размерности. Сокращение числа признаков.

Ассоциативные правила. Алгоритм Apriori. Иерархические ассоциативные правила. Последовательные шаблоны. Примеры применения методов ассоциации в анализе бизнес-информации.

Кластеризация. Алгорим кластеризации k-means. Сети Кохонена. Карты Кохонена. Проблемы алгоритмов кластеризации. Примеры применения методов кластеризации в анализе бизнес-информации.

Тема 6. Методы классификации и регрессии

Введение в классификацию и регрессию. Статистические методы. Линейная регрессионная модель. Множественная регрессия. Логистическая регрессия. Деревья решений. Алгоритм ID3, C4.5, CART. Нейронные сети. Алгоритмы обучения нейронных сетей. Алгоритм обратного распространения ошибки. Примеры применения методов классификации в анализе бизнес-информации. Примеры применения методов регрессии в анализе бизнес-информации.

Дата добавления: 2014-10-17