Geum.ru

Программа государственного экзамена направление 080700. 68 Бизнес-информатика

Вид материалаПрограмма
Подобный материал:
1   2   3   4

Системы интеллектуального анализа данных. Место и роль интеллектуального анализа данных (ИАД) или Data Mining (DМ) в процессе принятия решений. Основные задачи DМ.


Методы Data Mining, основанные на эволюционном или генетическом программировании.

Методы, основанные на нечеткой логике.

Нейронные сети (Neural Networks). Преимущества и недостатки нейротехнологии. Области применения. Гибридные сети (ГС). Отличие ГС от обычной нейросети.

Методы нахождения «ближайшего соседа» (Nearest–Neighbor matching). Преимущества и недостатки метода. Модификации методов ближайшего соседа. Метод k–ближайших соседей и взвешенный метод (k–БС). Адаптивные методы ближайшего соседа.

Методы кластеризации Классификация методов кластеризации.

Иерархические методы. Иерархические агломеративные методы.

Назначение, цели, предпосылки, особенности дискриминационного анализа. Дискриминационный анализ при числе групп более двух.

Методы ассоциации. Методы нахождения последовательностей (сиквенциальный анализ).

Методы построения логических правил (If–Then).

Построение дерева решений. Преобразование дерева решений в набор правил.

Возможности применения методов нелинейной динамики к изучению временной динамики экономических рядов. Анализ одномерных временных рядов и теория детерминированного хаоса. Меры хаотичности временных рядов. Показатель трендоустойчивости временного ряда Херста

Спектральный анализ. Вейвлет анализ. Дискретный вейвлет анализ. Непрерывный вейвлет анализ.

Понятие о Text Mining. Особенности данных для Text Mining. Модули текстового анализа в системе Poly Analyst.

Задачи применения Data Mining в Web Сети. Области применения Web Analyst (WA).

Понятие экспертной системы. Области применения экспертных систем.

Архитектура экспертных систем. Продукционная память. Факты. Продукционные правила. Машина логического вывода.

Модели представления знаний. Правила, продукции.

Семантические сети: Типы семантических сетей, построение, особенности, назначение, примеры использования. Объект–атрибут–значение. Схемы. Фреймы: назначение, виды. Сети фреймов.

Язык COOL. Объектно ориентированный подход к созданию экспертной системы. Интеграция Protege и CLIPS/COOL.

Понятие системы поддержки принятия решений (СППР). Экспертная оболочка системы поддержки принятия решений на примере ЭСППР. Характеристика вопросов, задаваемых пользователю ЭСППР для нахождения соответствующего метода принятия решения. Характеристика ответов на каждый вопрос, предоставляемый пользователю ЭСППР. Характеристика классов методов принятия решения, включенных в состав Системы. Правила решения в составе экспертной оболочки ЭСППР.

    Основные программные модули, реализующие функции ЭСППР: модуль интерактивного общения с пользователем; модуль анализа проблемных ситуаций; модуль принятия решений; модуль оперативного анализа и генерации отчетности; модуль извлечения знаний.

    Работа с задачами принятия решения Работа с вариантами решения задачи Выбор метода принятия решения Ввод и корректировка параметров варианта решения задачи. Приглашение экспертов для формирования оценок альтернатив. Ввод исходных данных для варианта решения задачи. Копирование информации из различных вариантов решения.

    Методы принятия решений с использованием принципа Большинства. Методы принятия решений, основанные на принципе Байеса без эксперимента с матрицей предпочтений, заданной в количественной и порядковой шкале. Методы, основанные на принципе Парето и пессимизма с использованием количественной и порядковой шкалы предпочтений. Методы, базирующиеся на принципе оптимизма с использованием количественной и порядковой шкалы предпочтений. Методы Гурвица – взвешенной оценки между пессимизмом и оптимизмом с предпочтением, выраженным в различных шкалах.

Комбинированные методы принятия решения, сочетающие различные принципы согласования оценок альтернатив.

Информационные технологии анализа инвестиционных проектов. Классификация инвестиционных проектов. Правила решений, применяемые при анализе инвестиций. Срок окупаемости. Чистая текущая стоимость (NPV). Внутренняя норма прибыли (IRR). Индекс прибыльности (IP). Модифицированная внутренняя норма прибыли (МIRR). Анализ замещения оборудования. Стоимость отказа от проекта. Оценка проектов с разным сроком жизни. Анализ ресурсных ограничений и ассортимента реализации. Три типа риска проекта: частный риск, внутрифирменный риск, рыночный риск. Методы оценки частного риска проекта. Анализ чувствительности. Метод сценарного анализа. Метод Монте–Карло.

Основы процессно-ориентированного анализа рентабельности. Структурно-функциональный подход к оценке социальных и экономических последствий внедрения проекта. Постановка проблемы оценки эффективности. Понятие бизнес-плана и его назначение. Последовательность составления бизнес-плана проекта. Классификация инвестиционных проектов. Уроки инноваций в сфере ИТ. Роль компаний–лидеров. Этапы внедрения ИТ. Роль стандартов в распространении ИТ. Роль государства во внедрении ИТ. Специализированные пакеты прикладных программ для анализа инвестиционных проектов.

Роль современных информационных технологий на фондовом рынке. Основные биржевые операции. Характеристики и особенности современных фондовых бирж (регламенты, объемы торгов, обороты). Принципы исполнения операции в современных компьютеризированных биржевых системах. Электронная книга биржевых заявок. Способы доставки клиентских приказов на биржу. Виды информации, используемой для анализа ценных бумаг. Информация о компаниях для фундаментального анализа. Информация о результатах торгов для технического анализа (состав и форма представления). Данные о котировках. Источники информации о ценных бумагах. Информационные агентства и специализированные поставщики финансовой информации. Компьютеризация классических подходов к анализу акций (фундаментального и технического). Комплексный подход к моделированию биржевых операций.


Основная литература

  1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. – М.: Ф. и С., 2004, гл.6.
  2. Ахим Бююль, Петер Цефель. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. Торгово издательский дом Dia Soft Москва, Санкт–Петербург, Киев 2002.
  3. Барсегян А.А. и др. Методы и модели анализа данных: OLAP и Data Mining. С.Пб.: БХВ–Петербург, 2004, гл.4.
  4. Джерратано Д. Экспертные системы. Принципы разработки и программирование. 4–изд. М.: Вильямс, 2007.
  5. Друри К. Управленческий и производственный учет. М.: ЮНИТИ–ДАНА, 2003.
  6. Дюк В., Самойленко А. Data Mining. Учебный курс. С–Пб.: Питер, 2001.
  7. Исаев Д.В., Кравченко Т.К. Автоматизированные системы формирования консолидированной финансовой отчетности. Учебное пособие. М.: 2006. – 370 с.
  8. Каплан Р., Нортон Д. Организация, ориентированная на стратегию. Как в новой бизнес–среде преуспевают организации, применяющие сбалансированную систему показателей. М.: Олимп–бизнес, 2004. – 416 с.
  9. Каплан Р., Нортон Д. Сбалансированная система показателей. От стратегии к действию. М.: Олимп-бизнес, 2003.
  10. Каплан Р., Нортон Д. Стратегические карты. Трансформация нематериальных активов в материальные результаты. М.: Олимп-Бизнес, 2007. – 512 с.
  11. Каплан Р., Нортон Д. Стратегическое единство. Создание синергии организации с помощью сбалансированной системы показателей. М.: Вильямс, 2006 – 384 с.
  12. Ковалев В.В. Методы оценки инвестиционных проектов. М.: Финансы и статистика, 2002.
  13. Ковени М., Гэнстер Д., Хартлен Б., Кинг Д. Стратегический разрыв: Технологии воплощения корпоративной стратегии в жизнь. М.: Альпина Бизнес Букс, 2004. – 232с.
  14. Концепция Business Performance Management: начало пути. /Е.Ю.Духонин, Д.В.Исаев, Е.Л.Мостовой и др., под ред. Г.В.Генса. М.: Альпина Бизнес Букс, 2004.
  15. Кравченко Т.К. Учебно-методический комплекс по дисциплине «Экспертные системы и системы поддержки принятия решений». М.:ГУ ВШЭ, 2007.
  16. Липсиц И.В., Коссов В.В. Экономический анализ реальных инвестиций. М.: ЭКОНОМИСТЪ, 2003.
  17. Лоу А. М., Кельтон В. Д. Имитационное моделирование. Классика CS. 3-е изд. С–Пб.: Питер, 2004.
  18. Макаров А.А., Тюрин Ю.Н. Статистический анализ на компьютере. М., Наука, 1997.
  19. Методы и модели анализа данных: OLAP и Data Mining. /А.А.Барсегян, М.С.Куприянов, В.В.Степаненко, И.И.Холод. СПб.: БХВ–Петербург, 2004.
  20. Перминов Г.И. Системы интеллектуального анализа данных (Business Intelligence). Учебно-методический комплекс. М.: ГУ-ВШЭ, 2007.
  21. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с польского. М.: Горячая линия–Телеком, 2006, гл.5.
  22. Толчеев В.О. Разработка и исследование новых модификаций метода ближайшего соседа. М.: Информационные технологии, №3, 2005.
  23. Шарп У.Ф., Александер Г.Дж., Бэйли Дж. В. Инвестиции. М.: Инфра,1997.
  24. Эрик Спирли. Корпоративные Хранилища данных. Изд. Вильямс, 2001 г.


Дополнительная литература

  1. Внедрение сбалансированной системы показателей / Horvath & Partners. М.: Альпина Бизнес Букс, 2006. – 478с.
  2. Галушкин А.И. Теория нейронных сетей. Кн. 1/ Под ред. А.И.Галушкина. М.: ИПРРЖР, 2000.
  3. Кричевский М.Л. Интеллектуальные методы в менеджменте. СПб.: Питер, 2005.
  4. Круглов В.В., Дли М.И. Интеллектуальные информационные системы. Компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит. 2002.
  5. Лодон Дж., Лодон К. Управление информационными системами / Пер. с англ. Под ред. Д.Р.Трутнева. СПб.: Питер, 2005. – 912 с.
  6. Мейер М.. Оценка эффективности бизнеса. Пер. с англ. М.: ООО «Вершина», 2004.
  7. Нейронные сети. STATISTICA Neural Networks. M.: Телеком. 2001. –182 с.
  8. Некрасов И.В., Толчеев В.О. Модифицированный метод ближайшего соседа с использованием опорных точек для классификации текстовых документов// Вестник МЭИ. 2004. № 1. 76-81 с.
  9. О’Лири Д. ERP системы. Современное планирование и управление ресурсами предприятия. Выбор, внедрение, эксплуатация. М.: Вершина, 2004. – 272 с.
  10. Питеркин С.В., Оладов Н.А., Исаев Д.В. Точно вовремя для России. Практика применения ERP-систем. М.: Альпина Паблишер, 2002.
  11. Пресняков В.Ф.. Структурно-функциональный подход к оценке эффективности внедрения инфокоммуникационных технологий на предприятии. Экономика и математические методы, 2005, том 41, №4.
  12. Таганов Д.Н. SPSS: Статистический анализ в маркетинговых исследованиях. СПб.: Питер, 2005. – 192 с.
  13. Товб А.С., Г.Л. Ципес. Управление проектами: Стандарты, методы, опыт. М.: ЗАО «Олимп.
  14. Хорнгрен Ч.Т., Фостер Дж. Бухгалтерский учет: управленческий аспект. М.: Финансы и статистика, 2000.
  15. Biao Fu, Henry Fu. SAP® BW: A Step-by-Step Guide. Издательство: ссылка скрыта, 2003.
  16. SPSS для Windows. Руководство пользователя. Кн.1-6. М.: Статистические Системы и Сервис. 1996.
  17. www.BaseGroup.ru
  18. ссылка скрыта.


Вопросы к экзамену:

  1. В чем заключается сущность управления эффективностью бизнеса?
  2. Как выглядит типовая архитектура BPM-системы?
  3. Какие компании являются ведущими разработчиками BPM-систем?
  4. В чем состоит сущность целевого управления компанией?
  5. Что такое карта стратегии?
  6. Что такое стратегические перспективы?
  7. Что такое причинно-следственные связи?
  8. Что такое цели и целевые значения?
  9. Что такое счетные карты сфер бизнеса?
  10. В чем состоит сущность управленческого учета?
  11. Каковы три основные задачи управленческого учета?
  12. Каковы функции планирования и бюджетирования?
  13. Какова типовая структура бюджета предприятия?
  14. Какие информационные системы могут применяться для решения задач планирования и бюджетирования?
  15. Каковы особенности специализированных систем бюджетирования?
  16. Каковы основные принципы формирования консолидированной финансовой отчетности?
  17. Преимущества многомерной модели данных и схемы «звезда» Хранилища данных SAP BW.
  18. Опишите процесс построения «инфокубов» SAP BW.
  19. Опишите процесс построения логической схемы «звезда» SAP BW.
  20. Опишите характеристики таблицы фактов, измерений и признаков, используемых при построении «инфокуба».
  21. Какую модель данных использует большинство OLAP-систем?
  22. Чем обусловлена неприменимость OLTP-систем для оперативного анализа данных?
  23. Зачем нужны ODS объекты в SAP BW. В чем отличие ODS от инфокубов в SAP BW?
  24. Опишите роль бизнес-контента и технического контента SAP BW.
  25. Что такое витрины данных? Какова их роль в ХД?
  26. Что является инфоисточником и инфопровайдером в SAP BW.
  27. Что входит в состав ХД (на примере SAP BW)?
  28. Опишите роль агрегатов в SAP BW.
  29. Что такое таблицы фактов и измерений? Поясните понятия «схема звезда» и «схема снежинка».
  30. Дайте определение ETL. Приведите пример ETL-процессов.
  31. В чем специфика ETL процессов в SAP BW. Опишите поток данных в SAP BW от OLTP системы до цели данных (например, инфокуба).
  32. Опишите возможности по оптимизации работы Хранилища данных (SAP BW).
  33. Дайте определение OLAP. Опишите задачи OLAP.
  34. Приведите пример архитектур OLAP-систем.
  35. Опишите архитектуру и компоненты Oracle Warehouse Builder.
  36. Опишите архитектуру Oracle Hyperion Essbase.
  37. Шкалы измерений, используемые в методах статистического анализа данных.
  38. Особенности подготовки данных для статистического анализа в системе SPSS.
  39. Описательная статистика для номинальных и порядковых шкал в системе SPSS.
  40. Частотные таблицы: валидный и кумулятивный процент. Реализация в системе SPSS.
  41. Таблицы сопряженности в системе SPSS.
  42. Описательная статистика для количественных переменных. Реализация в системе SPSS.
  43. Корреляционный анализ. Частные и парные корреляции.
  44. Простая и множественная линейная регрессия. Реализация в системе SPSS.
  45. Бинарная и мультиномиальная логистические регрессии. Реализация в системе SPSS.
  46. Дискриминантный анализ. Реализация в системе SPSS.
  47. Кластерный анализ: основные принципы и методы. Реализация в системе SPSS.
  48. Иерархический кластерный анализ. Реализация в системе SPSS.
  49. Факторный анализ и анализ главных компонент. Реализация в системе SPSS.
  50. Деревья решений: метод CHAID. Реализация в системе SPSS.
  51. Назначение этапа предварительной обработки данных при использовании методов ИАД.
  52. Особенности регрессионного анализа в методах ИАД.
  53. Метод «Ближайшего соседа» в ИАД.
  54. Метод поиска правила в ИАД.
  55. Метод кластеризации в ИАД.
  56. Метод классификации в ИАД.
  57. Метод дискриминации в ИАД.
  58. Методы Деревья решений (DT) в ИАД.
  59. Генетические алгоритмы в ИАД.
  60. Нейросетевые методы анализа.
  61. Методы для анализа нечетких множеств.
  62. Особенности эволюционного программирования.
  63. Модели временных рядов с запаздываниями.
  64. Понятие дискретного и непрерывного вейвлет анализа временных рядов.
  65. Степень хаотичности временного ряда.
  66. Анализ текстов – Text Mining.
  67. Чем экспертные системы отличаются от обычных программных приложений и типовых программ искусственного интеллекта?
  68. Стадии приобретения знаний для экспертной системы.
  69. Методы приобретения знаний для экспертной системы.
  70. Процесс приобретения знаний с использованием модели предметной области для экспертной системы.
  71. Инструментальные средства для построения экспертных систем.
  72. Назначение Экспертной системы поддержки принятия решений (ЭСППР).
  73. Выбор метода принятия решения в ЭСППР.
  74. Копирование исходных данных для варианта решения задачи в ЭСППР.
  75. Реализация методов принятия решений с использованием принципа большинства и Парето в Экспертной системе поддержки принятия решений.
  76. Реализация методов принятия решений с использованием принципа Байеса без эксперимента в Экспертной системе поддержки принятия решений.
  77. Реализация методов принятия решений с использованием принципов пессимизма, оптимизма и Гурвица в Экспертной системе принятия решений.
  78. Комбинированные методы принятия решений, сочетающие принципы большинства и оптимизма в ЭСППР.
  79. Комбинированные методы принятия решений, сочетающие принципы большинства и пессимизма в ЭСППР.
  80. Комбинированные методы принятия решений, сочетающие принципы большинства и Гурвица в ЭСППР.
  81. Комбинированные методы принятия решений, сочетающие принципы большинства и Байеса в ЭСППР
  82. Понятие бизнес-плана и его назначение. Структура бизнес-плана.
  83. Специализированные пакеты прикладных программ для анализа инвестиционных проектов.
  84. Компьютеризация классических подходов к анализу акций (фундаментального и технического).
  85. Комплексный подход к моделированию биржевых операций.