Рабочая программа По дисциплине «Применение интеллектуальных технологий в экономических системах» По специальности 0

Вид материала

Рабочая программа

Содержание рабочая программа Индекс по учебному плану Форма обучения Советом факультета экономики и менеджмента 1.1. Цели и задачи дисциплины 1.2. Требования к знаниям и умениям 1.3. Перечень дисциплин с указанием разделов (тем), усвоение которых, необходимо для изучения данной дисциплины 2. Содержание дисциплины 2.2.Содержание лекций дисциплины Тема 2. Введение в нейросетевое моделирование. Тема 3. Основы теории нейронных сетей. Тема 4. Нейросетевое моделирование в среде STATISTICA Neural Networks Тема 5. Решение задачи регрессии в пакете SNN. Тема 6. Решение задачи классификации в пакете SNN. Тема 7. Анализ временных рядов в пакете SNN. Нейросетевой подход 2.3. Лабораторные занятия, их наименование и объем в часах 2.4. Курсовой проект (работа), его характеристика Наименование тем, разделов рОМАНОВ В.П. ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ЭКОНОМИКЕ: УЧЕБНОЕ ПОСОБИЕ.-М: ИЗДАТЕЛЬСТВО «ЭКЗАМЕН», 2003.-496С. Электронный учебник по статистике. ... Полное содержание

Подобный материал:

• Рабочая программа послевузовского профессионального образования по учебной дисциплине, 237.31kb.
• Рабочая программа по дисциплине опд. Р. 01 Схемотехника По специальности 220201 Управление, 251.67kb.
• Рабочая программа по дисциплине опд. В. 02 Электромеханические системы По специальности, 298.79kb.
• Рабочая программа по дисциплине дс. 01. 04 Электрооборудование полиграфических машин, 298.99kb.
• Рабочая программа по дисциплине опд. Ф. 10 Моделирование систем По специальности 220201, 248.04kb.
• Рабочая программа по дисциплине сд. 04 Идентификация и диагностика систем По специальности, 355.5kb.
• Рабочая программа по дисциплине опд. В. 01 Полупроводниковые приборы и структуры, 236.36kb.
• Ложения темпоральной (временной) логики для ветвящегося времени в плане ее использования, 138.35kb.
• Рабочая программа по дисциплине сд. 01 Технические средства автоматизации и управления, 315.88kb.
• Рабочая программа по дисциплине Моделирование и эксперимент (гпо 2 ) Для специальностей, 155.7kb.

М

ИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ

РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ




Государственное образовательное учреждение высшего профессионального образования

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПЕЧАТИ»

УТВЕРЖДАЮ

Проректор по учебной работе

______________ Т.В. Маркелова

«_____» ___________2008 г.

рабочая программа

По дисциплине «Применение интеллектуальных технологий в экономических системах»

По специальности 060800 – Экономика и управление на предприятии

Факультет Экономики и менеджмента

Кафедра Прикладной математики и моделирования систем

Индекс по учебному плану	Цикл	Компонент
		Федеральный	Национально-региональный (вузовский)	Элективный
ОПД Р.03	Общие гуманитарные и социально-экономические дисциплины
	Общие математические и естественнонаучные дисциплины
	Общепрофессиональные дисциплины		X
	Специальные дисциплины
	Дисциплины специализации

Форма обучения	курс	семестр	Трудоемкость дисциплины в часах								Форма итогового контроля
			Всего часов	Аудиторных часов	Лекции	Семинарские (практически) занятия	Лабораторные занятия	Курсовая работа	Курсовой проект	Самостоятельная работа
Очная	4	7	80	36	18		18			44	Зачет

Москва — 2008 г.


Составители: Даровских Ю.Е.

Рецензент: зав.каф. Прикладной математики д. ф.- м. н., профессор В.А. Ковалев

Рабочая программа обсуждена на заседании кафедры «Прикладная математика и моделирование систем»

(дата) __________________, протокол № ________.


Зав. кафедрой ____________________


Одобрена Советом факультета экономики и менеджмента

(дата) __________________, протокол № __________.


Председатель______________________


1. Цели и задачи дисциплины, требования к знаниям и умениям


1. Цели и задачи дисциплины, требования к знаниям и умениям

1.1. Цели и задачи дисциплины

Цели и задачи преподавания дисциплины «Применение интеллектуальных технологий в экономических системах» - ознакомление обучающихся с проблематикой и областями использования искусственного интеллекта в экономических информационных системах; формирование у обучающихся систематических представлений о теоретических и организационно-методических вопросах построения и функционирования систем, основанных на знаниях; привитие навыков практических работ по проектированию баз знаний (на примере специализированной системы Statistika Neural Networks).

1.2. Требования к знаниям и умениям

В результате изучения дисциплины обучающиеся должны

знать:

• круг проблем, решаемых методами искусственного интеллекта;
  
• основы нейросетевых технологий;
  
• основные архитектуры нейронных сетей ;
  
• алгоритмы обучения нейронных сетей;
  
• методы анализа и оптимизации построенных нейронных сетей;
  

уметь:

• выбирать интеллектуальные технологии программирования, в зависимости от вида решаемых задач;
  
• строить модели неформализуемых задач;
  
• использовать методы искусственного интеллекта при решении экономических задач;
  

владеть:

• методом нейросетевого моделирования;
  
• навыками решения задач кластеризации и прогнозирования;
  
• навыками работы с программным пакетом Statistica Neural Networks.
  

1.3. Перечень дисциплин с указанием разделов (тем), усвоение которых, необходимо для изучения данной дисциплины

В теоретической части дисциплины « Применение интеллектуальных технологий в экономических системах» используются знания обучающихся, полученные при изучении базовых экономических дисциплин. Практическая часть связана с дисциплинами «Математика», «Информационные технологии и системы в экономике», «Экономико-математическое моделирование производственных систем», «Эконометрика» и другими дисциплинами.


2. Содержание дисциплины


2.1. Наименование тем, их содержание, объем в часах

№п/п	Наименование тем, разделов	Общая трудоемкость (часов)
		Аудиторные занятия (всего часов)	Лекции	Практические занятия (семинары)	Лабораторные занятия
1	Тема 1. Классификация интеллектуальных информационных систем.	2	2
2	Тема 2. Введение в нейросетевое моделирование.	2	2
3	Тема 3. Основы теории нейронных сетей.	4	4
4	Тема 4. Нейросетевое моделирование в среде STATISTICA Neural Networks	4	4
5	Тема 5. Решение задачи регрессии в пакете SNN .	8	2		6
6	Тема 6. Решение задачи классификации в пакете SNN.	8	2		6
7	Тема 7. Анализ временных рядов в пакете SNN. Нейросетевой подход.	8	2		6
	итого	36	18		18

2.2.Содержание лекций дисциплины


Тема 1. Классификация интеллектуальных информационных систем.

Особенности и признаки интеллектуальности информационных систем. Системы с интеллектуальным интерфейсом. Экспертные системы. Самообучающиеся системы. Адаптивные информационные системы. Системы управления знаниями.


Тема 2. Введение в нейросетевое моделирование.

Нейронная организация мозга. Биологический нейрон. Механизмы обучения. Адаптация и самоорганизация. Искусственные нейронные сети.

Тема 3. Основы теории нейронных сетей.

Формальный нейрон. Функции активации нейронных элементов. О линейной неразделимости задач. Правила обучения Хебба, Розенблата, Видроу-Хоффа (градиентный спуск). Теорема Колмогорова о полноте. Нейросетевая интерпретация теоремы. Разрешение проблемы линейной неразделимости многослойной нейронной сетью. Математические основы алгоритма обратного распространения ошибки.

Тема 4. Нейросетевое моделирование в среде STATISTICA Neural Networks .

Общая структура пакета SNN. Организация импорта данных. Взаимодействие со STATISTICA. Знакомство с интерфейсом SNN (Стартовая панель SNN, Мастер решений SNN, Окно процесса тестирования сетей, Вывод результатов). Типы переменных и наблюдений. Шкалирование данных. Преобразование текстовых значений. Обучающая, контрольная и тестовая выборки. Отбор входных данных и понижение размерности задачи. Генетический алгоритм отбора входных данных. Автоассоциативные сети. Выбор нейронной сети. Мастер решения задач – инструмент для автоматического конструирования и оптимизации сети. Работа с наборами сетей. Сохранение, редактирование, сравнение. Обучение нейронной сети. Сравнительный анализ алгоритмов обучения

Интерактивный процесс обучения. Наблюдение за графиками ошибок. Восстановление наилучшей сети. Тестирование нейронной сети. Просмотр весов, параметров активации. Анализ чувствительности входных переменных. Генетический алгоритм отбора исходных данных. Редактирование, модификация и последовательное соединение нейронных сетей

Тема 5. Решение задачи регрессии в пакете SNN.

Задание анализа на стартовой панели. Необходимые настройки Мастера решений. Итеративная процедура поиска. Анализ результатов. Решение задач регрессии с помощью Конструктора сетей

Альтернативные виды сетей в задачах регрессии.


Тема 6. Решение задачи классификации в пакете SNN.

Задание анализа на Стартовой панели. Мастер решений. Необходимые настройки. Итеративная процедура поиска. Анализ качества классификации. Решение задач Классификации с помощью Конструктора сетей. Альтернативные сети в задачах классификации.

Тема 7. Анализ временных рядов в пакете SNN. Нейросетевой подход

Задание анализа на Стартовой панели. Особенности списков переменных. Решение задач прогнозирования с помощью Мастера решений. Итеративная процедура поиска. Анализ качества прогнозирования. Анализ временных рядов с помощью Конструктора сетей. Альтернативные сети в задаче прогнозирования .


2.3. Лабораторные занятия, их наименование и объем в часах

Наименование занятий, их содержание	Объем в часах
	Очная	Очно-заочная	Заочная
Решение задачи классификации (оценка кредитоспособности, оценка устойчивости предприятия).	6
Решение задачи регрессии (изучение влияния различных факторов на прибыль предприятия и построение итоговой нейросетевой модели).	6
Анализ временных рядов. Решение задачи прогнозирования (прогноз объема продаж).	6
Итого	18

2.4. Курсовой проект (работа), его характеристика

Не предусматривается.

2.5. Организация самостоятельной работы

	Наименование тем, разделов	Виды и формы самостоятельной работы (распределение часов по формам обучения)
		Подготовка к практическому (семинару, лаб. работе)			Подготовка рефератов (докладов, сообщений и информационных материалов т.п.)			Выполнение домашних контрольных и иных заданий)			Подготовка к промежуточной аттестационной работе (в т.ч. коллоквиум, тестирование и пр.)			Подготовка к зачету (экзамену)
		очная			очная			очная			очная			очная
	Тема 1.										2			4
	Тема 2.	2									2			4
	Тема 3.	2									2			6
	Тема 4.	2									2			4
	Тема 5.	2									2
	Тема 6.	2									2
	Тема 7.	2									2
	Итого	12									14			18

3. Учебно-методические материалы по дисциплине


3.1. Основная и дополнительная литература

Основная

1. рОМАНОВ В.П. ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ЭКОНОМИКЕ: УЧЕБНОЕ ПОСОБИЕ.-М: ИЗДАТЕЛЬСТВО «ЭКЗАМЕН», 2003.-496С.
   
2. ЯХЬЕВА Г.Э. НЕЧЕТКИЕ МНОЖЕСТВА И НЕЙРОННЫЕ СЕТИ: УЧЕБНОЕ ПОСОБИЕ.-М.:ИНТЕРНЕТ-УНИВЕРСИТЕТ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ЛАБОРАТОРИЯ ЗНАНИЙ,2006.-316С.
   
3. ЭЛЕКТРОННЫЙ УЧЕБНИК ПО СТАТИСТИКЕ.
   

Дополнительная

4. РОБЕРТ КАЛЛАН. ОСНОВНЫЕ КОНЦЕПЦИИ НЕЙРОННЫХ СЕТЕЙ-М.: Издательский дом «Вильямс»,2005-288С
   
5. ГОЛОВКО В.А. НЕЙРОННЫЕ СЕТИ: ОБУЧЕНИЕ, ОРГАНИЗАЦИЯ И ПРИМЕНЕНИЕ - М.:ИПРЖ,2001-.234С
   

3.2. Перечень наглядных и других пособий, методических указаний по проведению конкретных видов учебных занятий, а также методических материалов к используемым в учебном процессе техническим средствам

Презентации Power Point для проведения лекций (файлы Управление проектами.ppt).

Примеры решения тестовых задач

Автоматизированная система проверки знаний АСТ.

4. Вопросы к зачету

1. Детерминированные, вероятностные и интеллектуальные технологии (преимущества и недостатки).
   
2. Свойства нейронных сетей.
   
3. Области применения НС.
   
4. Предположения, используемые при построении НС.
   
5. Принципы организации и функционирования ИНС.
   
6. Полный алгоритм обучения НС с помощью МОРО.
   
7. Общий алгоритм обучения НС.
   
8. Функция активации. Виды функций активаций.
   
9. Переобучение и обобщение. Способы устранения переобучения.
   
10. Метод обратного распространения ошибок.
    
11. Метод градиентного спуска.
    
12. Использование редактора сетей.
    
13. Архитектура сети.
    
14. Оценка качества работы сети. Итоговые описания сетей. Анализ чувствительности. Матрица ошибок,
    
15. Обучение Многослойного персептрона.
    
16. Итерационный алгоритм Кохонена.
    
17. Отбор переменных и понижение размерности.
    
18. Величина активации. Постсинаптические функции. Виды PSP.
    
19. Сбор и отбор данных для нейронных сетей. Наборы данных.
    
20. Радиальная базисная функция.
    
21. Обобщенно-регрессионная нейронная сеть.
    
22. Базовая искусственная модель нейрона.
    
23. Линейная сеть.
    
24. Структура многослойного персептрона.
    
25. Пре/Пост-процессирование.
    
26. Функция ошибок. Виды функций для задач классификаций.
    
27. Анализ результатов нейросетевого моделирования (производительность, ошибки выборок, анализ чувствительности, матрица ошибок
    
28. Формулы корректировки весов в МОРО.
    
29. Интерактивные методы обучения.
    
30. Конструирование «нейроструктуры» с помощью мастера решений.
    
31. Задача классификации (один выход, несколько выходов).
    
32. Общий алгоритм создания SNN-сети.
    
33. Параметры алгоритма обратного распространения ошибки.
    
34. Алгоритм обучения: метод сопряженных градиентов.
    
35. Сеть Кохонена.
    
36. Алгоритм решения задач классификации в пакете ST Neural Networks.
    

Протокол

согласования рабочей программы с другими дисциплинами специальности на / учебный год

Наименование дисциплин, изучение которых опирается на данную дисциплину	Кафедра	Предложения об изменениях в пропорциях материала, порядка изложения и т.д.	Принятое решение (протокол N°. дата) кафедрой, разработавшей программу
1	2	3	4

Дополнения и изменения в рабочей программе

на 200 I учебный год


В рабочую программу вносятся следующие изменения:


____________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

__________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________


Рабочая программа пересмотрена и одобрена на заседании


кафедры « »____________________200 г.


Заведующий кафедрой «Прикладная математика и моделирование систем»

Е.В.Никульчев _____________________


Внесенные изменения утверждаю

Проректор по учебной работе

_______________ Т.В. Маркелова

«_____» ___________200 г.