МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ КАФЕДРА ТЕРРИТОРИАЛЬНО-РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ

Интеллектуальный анализ данных в системах поддержки принятия решений

Руководство по изучению дисциплины

Куренков Н.И., Сбоев А.Г

Москва, 2013

---

Оглавление

1 Сведения об авторе 2 Цели и задачи изучения курса 3 Знания, умения и навыки, сфера (сферы) профессионального использования полученных знаний 4 Список курсов, предшествующих изучению данного курса 5 Указания по изучению основных разделов Тема 1. Введение в ИАД Тема 2. Дополнительные сведения из курса высшей математики Тема 3. Первичный анализ данных и их реализация в системе MATLAB Тема 4. Анализ признаков и оценка их информативности Тема 5. Базовые методы ИАД Тема 6. Применение ИАД в задачах СППР Тема 7. Информационные технологии в ИАД Тема 8. Нейросетевые технологии в ИАД 6 Описание контрольных мероприятий

---

1      Сведения об авторе

Куренков Николай Иванович – доктор технических наук, профессор кафедры территориально-распределенных информационных систем МЭСИ. Читает курсы лекций и проводит компьютерные и аудиторные занятия по интеллектуальной обработке данных, основам соционики, статистическому анализу данных и интеллектуальному анализу данных в системах поддержки принятия решений. Сбоев Александр Георгиевич – кандидат физико-математических наук, доцент кафедры территориально-распределенных информационных систем МЭСИ. Читает курсы лекций и проводит компьютерные и аудиторные занятия по нейронным сетям, нейронным сетям и мягким вычислениям, нейросетевым технологиям, статистическому анализу данных и интеллектуальному анализу данных в системах поддержки принятия решений, технологиям анализа данных в территориально-распределенных системах.

2      Цели и задачи изучения курса

Целями изучения дисциплины являются получение знаний о современном состоянии и средствах интеллектуального анализа данных (ИАД) в системах поддержки принятия решений (СППР), включающие модели, методы, алгоритмы и программное обеспечение, формирование навыков и умений по практическому применению полученных знаний. Основой учебного курса является приобретение практических навыков по решению задач ИАД,  позволяющих применить на практике полученные знания и умения при использовании СППР. Задачами изучения дисциплины являются формирование у студентов знаний, необходимых для понимания методов, моделей, методик и алгоритмов, используемых в интеллектуальных системах анализа данных (ИАД), а также основных методов извлечения знаний; изучение основных инструментальных средств построения ИАД и области их применения.

3      Знания, умения и навыки, сфера (сферы) профессионального использования полученных знаний

В результате освоения дисциплины студент должен: Знать: основные задачи, методы и модели ИАД; современные компьютерные технологии, перспективы их применения при решении задач ИАД. Уметь: формализовать постановки задач ИАД, применять методы и модели ИАД в интересах создания систем поддержки принятия решений (СППР), использовать основные алгоритмы и программы ИАД для решения практических задач. Владеть / быть в состоянии продемонстрировать основными  инструментальными средствами и методами решения основных задач ИАД с применением компьютерных технологий применительно к СППР.  

4      Список  курсов, предшествующих изучению  данного  курса

Дисциплина «Интеллектуальный анализ данных в системах поддержки принятия решений» входит в вариативную часть математического и естественно-научного цикла дисциплин учебного плана.  Дисциплины, на которых базируется данная дисциплина:

• Статистический анализ данных;
• Математика;
• Дискретная математика;
• Теория вероятностей и математическая статистика;
• Математическое и имитационное моделирование;
• Информатика и программирование.

 Дисциплины, для которых данная дисциплина является предшествующей:

• Технологии анализа данных в территориально-распределенных информационных системах;
• Информационно-аналитические системы;
• Производственная практика.

5      Указания по изучению основных разделов

Тема 1 Введение в ИАД

Данные и модели их представления. Системы поддержки принятия решений (СППР). Роль и место интеллектуального анализа данных в СППР. Задачи ИАД. Изучить учебный материал:

1. Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006 – стр. 10-28.
2. Барсегян А.А., Куприянов М.С., Стапаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. – СПб.: БХВ-Петербург, 2004 – стр. 13-26 и 67-74.

Написать реферат на одну из предложенных тем:

1. База знаний.
2. Неструктурированные данные.
3. Распределенное принятие решений.
4. Системы поддержки принятия решений. Состав, назначение, примеры.
5. Применение СППР.
6. Задачи интеллектуального анализа данных в системах поддержки принятия решений.

Вопросы для самопроверки:

1. Данные и модели их представления.
2. Системы поддержки принятия решений (СППР).
3. Роль и место интеллектуального анализа данных в СППР.
4. Задачи ИАД.

   ---

Тема 2 Дополнительные сведения из курса высшей математики

Алгебра матриц как аналитическая основа решения задач ИАД. Функции многих переменных. Необходимые и достаточные условия существования экстремумов применительно к квадратичным формам. Изучить учебный материал:

• Большаков А.А. Каримов Р.Н. Методы обработки многомерных данных и временных рядов. Учебное пособие для вузов.- М.: Горячая линия – Телеком.2007 — стр. 505-507.
• Чураков Е.П. Математические методы обработки экспериментальных данных в экономике. Учеб. пособие.- М.: Финансы и статистика, 2004 – стр. 41-43.

Подготовиться к выполнению контрольной работы «Математические основы ИАД: алгебра матриц, экстремумы функций многих переменных». Вопросы для самопроверки:

• Алгебра матриц.
• Функции многих переменных.
• Необходимые и достаточные условия существования экстремумов применительно к квадратичным формам.

Тема 3 Первичный анализ данных и их реализация в системе MATLAB

Типы шкал. Допустимые преобразования в шкалах. Проверка истинности утверждений. Выборка. Числовые характеристики распределений. Комплексные числа и их применение при визуализации многомерных данных, оцифровке графиков, обработке изображений. Изучить учебный материал:

• Большаков А.А. Каримов Р.Н. Методы обработки многомерных данных и временных рядов. Учебное пособие для вузов.- М.: Горячая линия – Телеком.2007 — стр. 505-507.
• Чураков Е.П. Математические методы обработки экспериментальных данных в экономике. Учеб. пособие.- М.: Финансы и статистика, 2004 – стр. 41-43.

Выполнить лабораторную работу №1 по теме из Практикума, стр. 3. Вопросы для самопроверки:

• Типы шкал.
• Допустимые преобразования в шкалах.
• Проверка истинности утверждений.
• Статистическая выборка.
• Числовые характеристики распределений.
• Комплексные числа и их применение при визуализации многомерных данных.
• Методы и алгоритмы оцифровки графиков.
• Методы и алгоритмы обработки изображений.

Тема 4 Анализ признаков и оценка их информативности

Простые и сложные признаки и способы оценки их информативности. Алгоритмы поиска систем информативных признаков. Матрица объект-признак и её статистические характеристики. Проблема сжатия данных. Разнотипные данные и методы их обработки. Поиск логических закономерностей.

Изучить учебный материал:

• Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006 – стр. 84-96.
• Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS:Учебное пособие/ Под. ред. И.В. Орловой.- М.:Вузовский учебник, 2009 – стр. 9-15.

Выполнить лабораторную работу №2 по теме из Практикума, стр. 3. Вопросы для самопроверки:

• Простые и сложные признаки и способы оценки их информативности.
• Алгоритмы поиска систем информативных признаков.
• Матрица объект-признак и её статистические характеристики.
• Проблема сжатия данных.
• Разнотипные данные и методы их обработки.
• Задача поиска логических закономерностей.

Тема 5 Базовые методы ИАД

Методы классификации и прогнозирования. Задачи кластерного анализа. Иерархические и итеративные методы кластеризации. Особенности  кластеризации в качественных и количественных шкалах. Кластеризация данных по матрице объект-признак и матрице связи. Компонентный и факторный анализ. Назначение. Сходство и различие. Применение к задачам ИАД. Введение в методы распознавания образов с учителем и без учителя. Изучить учебный материал:

• Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006 стр. 97-106, 147-162.
• Барсегян А.А., Куприянов М.С., Стапаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. – СПб.: БХВ-Петербург, 2004 стр. 149-166.
• Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS:Учебное пособие/ Под. ред. И.В. Орловой.- М.:Вузовский учебник, 2009 стр. 91-112.
• Большаков А.А. Каримов Р.Н. Методы обработки многомерных данных и временных рядов. Учебное пособие для вузов.- М.: Горячая линия – Телеком. 2007 – стр. 248-258, 263-266, 270-273, 326-335

Выполнить лабораторную работу №3 по теме из Практикума, стр. 4. Вопросы для самопроверки:

• Методы классификации и прогнозирования.
• Задачи кластерного анализа.
• Иерархические и итеративные методы кластеризации.
• Особенности кластеризации в качественных и количественных шкалах.
• Кластеризация данных по матрице объект-признак.
• Кластеризация данных по матрице матрице связи.
• Назначение компонентного анализа.
• Назначение факторного анализа.
• Сходство и различие компонентного и факторного анализа.
• Применение компонентного и факторного анализа к задачам ИАД.
• Методы распознавания образов с учителем и без учителя.

Тема 6 Применение ИАД в задачах СППР

Задачи принятия решений. Метод анализа иерархий и его модификации в интересах реализации интеллектуальных подсказок пользователям. Введение в когнитивное моделирование. Изучить учебный материал:

• Трахтенгерц Э. А. Компьютерная поддержка принятия решений: Научно-практическое издание. – М.: СИНТЕГ. 1998 – стр. 57-82, 178-189.

Выполнить лабораторную работу №4 по теме из Практикума, стр. 5. Подготовиться к участию в работе форума по теме. Вопросы для обсуждения:

• Сравнительный анализ методов принятия решений при многокритериальном выборе альтернатив.
• Метод анализа иерархий в системах поддержки принятия решений: особенности применения, достоинства и недостатки.
• Использование ИАД в развитии МАИ.
• Примеры практического применения МАИ в экономике.

Вопросы для самопроверки:

• Задачи принятия решений.
• Метод анализа иерархий.
• Модификации метода анализа иерархий в интересах реализации интеллектуальных подсказок пользователям.
• Основные понятия когнитивного моделирования.

Тема 7 Информационные технологии в ИАД

Инструментальные средства ИАД применительно к задачам СППР. Направления развития ИАД и современных информационных технологий в СППР. Изучить учебный материал:

• Дюк В., Самойленко А. Data Mining: учебный курс (+CD).. — СПб: Изд. Питер, 2001 – стр. 34-46.

Написать реферат на одну из предложенных тем:

• Инструментальные средства ИАД применительно к задачам СППР.
• Направления развития информационных технологий ИАД.
• Направления развития современных информационных технологий в СППР.
• Инструментальные средства сбора и доработки данных.
• Инструментальные средства преобразования данных.
• Инструментальные средства оперативного (OLAP) анализа.

Вопросы для самопроверки:

• Инструментальные средства ИАД применительно к задачам СППР.
• Направления развития ИАД.
• Направления развития современных информационных технологий в СППР.

Тема 8 Нейросетевые технологии в ИАД

Введение в теорию искусственных нейронных сетей:

• Краткая история нейрокомпьютинга.
• Задачи ИАД на основе искусственных нейронных сетей.
• Место нейронных сетей среди других методов решения задач

Изучить учебный  материал:

• Саймон Хайкин. Нейронные сети. Полный курс. Второе издание. М.: Издательский дом «Вильямс». 2006 г., стр. 31-37
• Калан, Роберт. Основные концепции нейронных сетей.: пер. с англ. – М.: Издательский дом «Вильямс», 2001 – стр. 9-11, 13-15

Биологические основы нейросетей:

• Биологический прототип нейрона.
• Формальный нейрон. Аксон. Синапс.
• Основные свойства нейрона.
• Информационный подход к моделированию нейрона.
• Биологический подход к моделированию нейрона.

Изучить учебный  материал:

• Саймон Хайкин. Нейронные сети. Полный курс. Второе издание. М.: Издательский дом «Вильямс». 2006 г., стр. 37-55

Структура искусственной нейронные сети:

• Искусственный нейрон.
• Слой. Входные и выходные слои.
• Однослойные искусственные нейронные сети.
• Многослойные искусственные нейронные сети.
• Структура перцептрона двухкровневого, многоуровневого (МСП).
• Обмен информацией между слоями.
• Особенности структуры нейронных сетей и ее влияние на свойства сети.

Изучить учебный  материал:

• Саймон Хайкин. Нейронные сети. Полный курс. Второе издание. М.: Издательский дом «Вильямс». 2006 г., стр. 55-63, 172-182, 191-197, 219-225

Алгоритм решения задач с помощью МСП.

• Процесс обучения нейросети.
• Процесс применения нейросети.
• Классификация задач решаемых с помощью МСП.
• Постановка задач распознавания, аппроксимации, прогнозирования. Примеры задач.

Изучить учебный  материал:

• Саймон Хайкин. Нейронные сети. Полный курс. Второе издание. М.: Издательский дом «Вильямс». 2006 г., стр. 241-243
• Калан, Роберт. Основные концепции нейронных сетей.: пер. с англ. – М.: Издательский дом «Вильямс», 2001 – стр. 36-77

Топологии нейронных сетей:

• Сети с прямым распространением сигнала.
• Сети с обратным распространением сигнала.

Изучить учебный  материал:

• Саймон Хайкин. Нейронные сети. Полный курс. Второе издание. М.: Издательский дом «Вильямс». 2006 г., стр. 241-243
• Злобин В. К., Ручкин В. Н.Нейросети и нейрокомпьютеры. Учебное пособие. 256 стр..СПб: БХВ-Петербург.2011– стр. 34-46
• Калан, Роберт. Основные концепции нейронных сетей.: пер. с англ. – М.: Издательский дом «Вильямс», 2001 – стр. 127-143

Написать реферат на одну из предложенных тем:

• История нейрокомпьютинга.
• Задачи ИАД на основе искусственных нейронных сетей.
• Биологическая и математическая модели нейрона.
• Однослойные и многослойные нейронные сети.
• Структура искусственной нейронные сети.
• Особенности структуры нейронных сетей и ее влияние на свойства сети.
• Решение задач с помощью многослойного персептрона.
• Топологии нейронных сетей.

Для самооценки полученных знаний выполнить тест по теме из Практикума, стр. 6. Вопросы для самопроверки:

1. Классификация задач ИАД на основе искусственных нейронных сетей.
2. Место нейронных сетей среди других методов решения задач
3. Структура биологического прототипа нейрона.
4. Формальный нейрон. Аксон. Синапс.
5. Основные свойства нейрона.
6. Информационная модель нейрона.
7. Биологическая модель нейрона.
8. Структура нейронной сети. Слой. Входные и выходные слои.
9. Понятие нейронной сети. Однослойные искусственные нейронные сети.
10. Понятие нейронной сети. Многослойные искусственные нейронные сети.
11. Структура двухуровневого перцептрона.
12. Структура многоуровневого перцептрона.
13. Алгоритм обмена информацией между слоями.
14. Особенности структуры нейронных сетей и ее влияние на свойства сети.
15. Алгоритм решения задач с помощью МСП.
16. Процесс обучения нейросети.
17. Процесс применения нейросети.
18. Классификация задач решаемых с помощью МСП.
19. Постановка задач распознавания. Примеры.
20. Постановка задач аппроксимации. Примеры.
21. Постановка задач прогнозирования. Примеры.
22. Типы топологий нейронных сетей.
23. Сети с прямым распространением сигнала.
24. Сети с обратным распространением сигнала.

6      Описание контрольных мероприятий

Перечень вопросов к зачету:

1. Данные и модели их представления.
2. Матрицы объект-признак и их использование при представлении разнотипных данных.
3. Системы поддержки принятия решений (СППР).
4. Роль и место интеллектуального анализа данных в СППР.
5. Задачи ИАД. Классификация, кластеризация, ассоциация, регрессионный анализ, последовательность, определение отклонений (выбросов), анализ связей, визуализация.
6. Типы матриц, используемые в ИАД. Арифметические действия над матрицами. Собственные вектора и собственные значения матриц. Спектр матриц Грамма и алгоритм его определения.
7. Квадратичные формы и их аналитическое представление. Многомерное дифференцирование квадратичных форм, представление в матричном виде. Функции многих переменных. Необходимые и достаточные условия существования экстремумов применительно к квадратичным формам.
8. Типы шкал. Допустимые преобразования в шкалах. Проверка истинности утверждений.
9. Генеральная совокупность, выборка, обучающая выборка. Числовые характеристики распределений.
10. Комплексные числа и их применение при визуализации многомерных данных, оцифровке графиков, обработке изображений.
11. Простые и сложные признаки и способы оценки их информативности. Алгоритмы поиска систем информативных признаков.
12. Нормирование матрицы объект-признак, ковариационная и корреляционная матрицы для матриц объект-признак и матричный способ их определения. Примеры.
13. Разнотипные данные и методы их обработки. Постановка задачи поиска логических закономерностей применительно к разнотипным признакам.