Дисциплина "Интеллектуальные технологии в бизнесе"

Цель изучения дисциплины Интеллектуальные технологии в бизнесе - формирование знаний, позволяющих создать целостное представление о современных интеллектуальных информационных системах и лежащих в их основе методологиях. Кроме этого, дисциплина позволяет изучить историю возникновения  и развития искусственного интеллекта, систем Business Intelligence, технологии Data Mining, познакомиться с основными терминами и понятиями этой технологии, узнать структуру и механизмы функционирования систем интеллектуального анализа данных, получить практические навыки работы с программами данного класса.

Основная задача изучения предмета Интеллектуальные технологии в бизнесе – это получение студентами знаний и практических навыков применения технологий интеллектуального анализа данных для решения бизнес-задач.

Разделы курса


  1. Комплексный подход к внедрению Data Mining, OLAP и хранилищ данных в СППР. Понятие СППР (DSS); компоненты СППР; понятие OLAP.
  2. Классификация СППР. Идеальная СППР; СППР, ориентированные на данные (Data-driven DSS, Data-oriented DSS);
  3. СППР, ориентированные на модели (Model-driven DSS);
  4. СППР, ориентированные на знания (Knowledge-driven DSS);
  5. СППР, ориентированные на документы (Document-driven DSS);
  6. СППР, ориентированные на коммуникации и групповые СППР;
  7. Интер-организованные и Интра-организованные СППР (Inter-Organizational или Intra-Organizational DSS); специфически функциональные СППР или СППР общего назначения (Function-Specific или General Purpose DSS); СППР на базе Web (Web-Based DSS).
  8. История создания СППР. Хронология событий по годам; ученые и исследователи, характеризующиеся наибольшим вкладом.
  9. Сфера применения СППР. Характеристики сфер применения, методики СППР.
  10. Задачи, решаемые с помощью СППР. Критерии задач, примеры, три класса задач анализа.
  11. Задачи, которые невозможно решить при помощи СППР. Критерии задач, примеры.
  12. Применение СППР в бизнесе. Оборона, государство, телекоммуникации, промышленность, банки, торговля.
  13. Анализ математического обеспечения существующих систем поддержки принятия решений. 

Предварительный анализ природы статистических данных (проверка гипотез стационарности, нормальности, независимости, однородности, оценка вида функции распределения и ее параметров); 
выявление связей и закономерностей (линейный и нелинейный регрессионный анализ, корреляционный анализ); 
многомерный статистический анализ (линейный и нелинейный дискриминантный анализ, кластер-анализ, компонентный анализ, факторный анализ); 
динамические модели и прогноз на основе временных рядов.