бъем дисциплины и виды учебной работы.

I. Организационно-методический раздел

 

ель и задачи учебной дисциплины.

Целью данного курса является формирование профессиональных знаний и навыков в области интеллектуального анализа данных и овладение технологией применения искусственных нейронных сетей при решении экономических задач. Это позволит специалисту в области экономико-математического моделирования освоить такие виды профессиональной деятельности как расчетно-экономическая, аналитическая, научно-исследовательская. Освоение данных видов деятельности будет востребована в маркетинговых, производственно-экономических и аналитических службах организаций различных отраслей, сфер и форм собственности, академических и ведомственных научно-исследовательских организациях.

Задачей дисциплины являются дать специалисту с квалификацией экономист-математик возможность освоить следующие навыки профессиональной деятельности:

· поиск информации по полученному заданию, сбор и анализ данных;

· обработка массивов экономических данных в соответствии с поставленной задачей, анализ, оценка, интерпретация полученных результатов и обоснование выводов;

· тренинг в использовании современных компьютерных средств анализа.

 

есто дисциплины в профессиональной подготовке выпускника

Данная учебная дисциплина входит в раздел СД.Р «Специальные дисциплины. Региональный компонент» учебного плана подготовки специалистов 080116.65 "Математические методы в экономике".

Для усвоения курса студентам необходимы знания и умения, сформированные в результате освоения дисциплин «Математический анализ», «Линейная алгебра», «Теория вероятностей и математическая статистика», «Пакеты прикладных программ», «Микроэкономика», «Макроэкономика».

В результате изучения дисциплины студент должен получить профессиональные знания и навыки, необходимые для использования современных методов интеллектуального анализа данных и технологий применения искусственных нейронных сетей при решении прикладных задач экономики.

В процессе преподавания дисциплины особое внимание уделяется освоению пакетов прикладных программ и компьютерных аналитических платформ.

Данная дисциплина изучается на завершающем этапе подготовки специалиста и ориентирована на достижение всех поставленных выше задач по освоению профессиональных видов деятельности.

ребования к уровню освоения содержания дисциплины

В результате освоения дисциплины, обучающийся должен

· Знать:

- методологию интеллектуальной обработки и анализа данных;

- теоретические основы и топологию нейронных сетей;

- признаки классификации нейронных сетей;

- компьютерные программы интеллектуального анализа данных

· Уметь:

- получать достоверные базы данных;

- проводить обработку данных;

- подбирать структуру нейронной сети согласно базе данных;

- анализировать полученное решение в рамках сделанных допущений и предположений;

- использовать пакеты прикладных программ, реализующих работу нейронной сети

· Владеть:

- навыками сбора и обработки данных социально-экономических процессов;

- компьютерными средствами обработки информации;

- компьютерными программами интеллектуального анализа

 

II. Содержание дисциплины

азделы дисциплины

№ п/п	Наименование раздела дисциплины	Содержание раздела
1.	Раздел 1. Интеллектуальные методы обработки и анализа данных	Существующие методы обработки и анализа данных. История развития искусственных нейронных сетей. Области применения искусственных нейронных сетей. Проблемы и задачи, к решению которых применимы технологии искусственных нейронных сетей. Базы данных. Обработка и анализ, различные методы. Понятие искусственного интеллекта. Компьютерные программы. Средства «Data Mining».
2.	Раздел 2. Общие положения теории искусственных нейронных сетей.	Основные понятия и определения. Биологический нейрон. Структура и свойства искусственного нейрона. Нейронная сеть. Классификация нейронных сетей. Однослойные и многослойные нейронные сети. Теорема Колмогорова-Арнольда. Работа Хехт-Нильсена. Следствия из работ Колмогорова-Арнольда и Хехт-Нильсена.Использование средств EXCEL для решения задач линейного планирования. Архитектура (топология) нейронных сетей. Виды функций активации. Нейросети обратного распространения. Нейросети встречного распространения. Оценка необходимого числа нейронов в скрытых слоях. Сети Кохонена. Сети Хопфилда. Нейроподобные системы автономного адаптивного управления.
3.	Раздел 3.Применение нейронных сетей при решении социально-экономических проблем.	Задачи, решаемые в контексте нейронных сетей. Получение достоверной базы данных. Выбор структуры нейронной сети. Оценка необходимого числа нейронов в скрытых слоях. Обучение нейронной сети. Алгоритм обратного распространения ошибки. Обучение нейросетей обратного распространения. Проход вперед. Обратный проход. Подстройка весов выходного слоя. Подстройка весов скрытого слоя. Схемы обучения нейронных сетей обратного распространения. Проблемы обучения нейросетей. Возможные недостатки при обучении (обощение, переобучение). Примеры задач. Получение достоверных баз данных. Обработка данных. Средства «Data Mining». Аналитическая платформа «Deductor». Эмулятор искусственной нейронной сети Newral Networks Wizard. Выбор структуры нейронной сети. Обучение сети. Критерии остановки работы сети. Анализ полученных результатов.

бъем дисциплины и виды учебной работы.

 

№№ п/п	Аудиторные занятия	Лекции	Практические занятия	Лабораторные занятия	Самостоятельная работа	Всего часов
	Раздел 1.Интеллектуальные методы обработки и анализа данных
1.	Тема 1. Методы обработки и анализа данных
2.	Тема 2. Понятие искусственного интеллекта
3.	Тема 3. Средства «Data Mining»
	Раздел 2.Общие положения теории искусственных нейронных сетей.
4.	Тема 4. Основные понятия теории искусственных нейронных сетей.
5.	Тема 5. Теоретические основы искусственных нейронных сетей.
6.	Тема 6. Виды искусственных нейронных сетей
	Раздел 3.Применение нейронных сетей при решении социально-экономических проблем
7.	Тема 7. Этапы решения задач с использованием искусственных нейронных сетей
8.	Тема 8. Применение нейронных сетей при решении задач.
	Итого

 

Вид промежуточной аттестации: зачет в 9 семестре.

 

2.3 Темы занятий и краткое содержание.

Тема 1. Методы обработки и анализа данных.

Лекции 1,2 Существующие методы обработки и анализа данных. История развития искусственных нейронных сетей. Области применения искусственных нейронных сетей.

Лабораторное занятие 1. Базы данных. Обработка и анализ, различные методы.

Тема 2. Понятие искусственного интеллекта.

Лекция 3. Проблемы и задачи, к решению которых применимы технологии искусственных нейронных сетей.

Лабораторное занятие 2. Базы данных. Обработка и анализ, различные методы.

 

Тема 3. Средства «Data Mining».

Лекции 4-6. Компьютерные программы. Средства «Data Mining». Аналитическая платформа «DEDUCTOR».

Лабораторное занятие 3. Знакомство с аналитической платформой «DEDUCTOR».

Тема 4. Основные понятия теории искусственных нейронных сетей

Лекция 7. Основные понятия и определения. Биологический нейрон. Структура и свойства искусственного нейрона. Нейронная сеть.

Лабораторное занятие 4. Построение нейронной сети в аналитической платформе «DEDUCTOR».

Тема 5. Теоретические основы искусственных нейронных сетей

Лекция 8. Теорема Колмогорова-Арнольда. Работа Хехт-Нильсена. Следствия из работ Колмогорова-Арнольда и Хехт-Нильсена.

Лабораторное занятие 5. Построение нейронной сети в аналитической платформе «DEDUCTOR».

Тема 6. Виды искусственных нейронных сетей

Лекция 9. Архитектура (топология) нейронных сетей. Виды функций активации. Нейросети обратного распространения. Нейросети встречного распространения. Оценка необходимого числа нейронов в скрытых слоях. Сети Кохонена. Сети Хопфилда. Нейроподобные системы автономного адаптивного управления.

Лабораторное занятие 6. Построение нейронных сетей различной конфигурации в аналитической платформе «DEDUCTOR».

Тема 7. Этапы решения задач с использованием искусственных нейронных сетей Лекции 10,11. Получение достоверной базы данных. Выбор структуры нейронной сети. Оценка необходимого числа нейронов в скрытых слоях. Обучение нейронной сети. Алгоритм обратного распространения ошибки. Обучение нейросетей обратного распространения. Проход вперед. Обратный проход. Подстройка весов выходного слоя. Подстройка весов скрытого слоя. Схемы обучения нейронных сетей обратного распространения. Проблемы обучения нейросетей. Возможные недостатки при обучении (обощение, переобучение).

Лабораторное занятие 7. Построение нейронных сетей различной конфигурации в аналитической платформе «DEDUCTOR».

Тема 8. Применение нейронных сетей при решении задач..

Лабораторные занятия 8-11. Примеры задач. Получение достоверных баз данных. Обработка данных. Средства «Data Mining». Аналитическая платформа «Deductor». Эмулятор искусственной нейронной сети Newral Networks Wizard. Выбор структуры нейронной сети. Обучение сети. Критерии остановки работы сети. Анализ полученных результатов.

 

амостоятельная работа.

№№ п/п	Самостоятельная работа	Всего часов
1.	Подготовка к лабораторным занятиям
3.	Самостоятельное изучение учебных вопросов
4.	Подготовка к зачету
	Итого часов самостоятельной работы