Методы и модели корпоративного анализа данных

Цель реализации Программы - изучить подходы и методы анализа данных на примерах практического использования аналитических технологий. Слушатели знакомятся с аналитическими технологиями, методами предобработки данных и алгоритмами DataMining, таких как: построение нейросетевых моделей, кластеризация данных, формирование ассоциативных правил, решение задач классификации и другими.

Формализованные результаты обучения

В результате освоения Программы слушатель должен:

1. Знать основные технологии анализа данных: OLAP, KDD и Data Mining.

2. Понимать методику анализа данных и подготовки данных.

3. Уметь строить автоматизированные модели анализа данных

4. Владеть навыками анализа данных на примере решения задач сегментации, классификации, прогнозирования.

Категория слушателей (требования к слушателям) – среднее и/или высшее профессиональное образование. Сфера профессиональной деятельности – руководители компаний и подразделений, сотрудники корпоративных венчурных фондов, специалисты в области НИОКР, руководители проектов и продуктов, менеджеры по инновациям и изменениям.

Срок обучения – 36 часа (24 часов аудиторные занятия, 12 часов самостоятельная работы).

Форма обучения – очно-заочная, без отрыва от работы.

Стоимость обучения в 2018-2019 учебном году - 26 000 рублей.

Содержание программы

Тема 1 . Введение. Основы анализа данных. Методология построения моделей сложных систем. Модель черного ящика. Основные этапы моделирования. Методика анализа данных.

Тема 2. Методы интеллектуального анализа данных. Определения OLAP, Data Mining, KDD и взаимосвязи между ними. OLAP. Аналитическая отчетность и многомерное представление данных. Хранилище данных. Измерения и факты. Основные операции над кубом данных. Типы задач, решаемые методами Data Mining: классификация, кластеризация, регрессия, ассоциация, поиск последовательных шаблонов. Алгоритмы, получившие наибольшее распространение для каждого типа задач: самоорганизующиеся карты, деревья решений, линейная регрессия, нейронные сети, ассоциативные правила.

Практикум:

  • построение аналитической отчетности,
  • построение регрессионной прогнозной модели спроса.

Тема 3. Примеры практических приложений в экономике. Задача сегментации клиентов фирмы. Оценка кредитоспособности физических лиц. Задача прогнозирования потребности в продукции. Задачи прогнозирования продаж, поступления финансовых средств и др. Примеры комбинации методов Data Mining.

Практикум:

  • построение скоринговой модели кредитования (деревья решений),
  • построение нейросетевой прогнозной модели спроса.

 

Тема 4. Подготовка данных и интерпретация результатов. Этапы подготовки данных. Выдвижение гипотез. Методы сбора и систематизации фактов. Методы проведения экспертиз для выявления наиболее значимых факторов. Понятия парциальной и комплексной обработки. Анализ качества полученных моделей.

Практикум:

  • построение сценария предобработки данных в программе Deductor.

Тема 5. Практические аспекты. Критерии выбора аналитических платформ и пакетов Data Mining. Основные этапы внедрения систем анализа данных. Категории пользователей аналитических систем; требования, предъявляемые к каждой группе пользователей. Способы снижения рисков проектов Data Mining.

Объём программы: 
1
Продолжительность обучения: 
1
Форма обучения: 
Платная
Язык обучения: 
Русский
Преподаватели: 

Косоруков Олег Анатольевич

Профессор Высшей школы управления и инноваций, заместитель декана по науке

Дисциплины: "Интеллектуальные методы анализа бизнес-информации"

Образование:  в 1983г. с отличием окончил факультет Вычислительной математики и кибернетики МГУ им. М.В. Ломоносова, кафедра - Теории игр и исследования операций.

В 1985г. - аспирантуру факультета Вычислительной математики и кибернетики МГУ им. М.В. Ломоносова,  защитил кандидатскую диссертации на тему "Задачи анализа и синтеза на коммуникационных сетях" .

Записаться на обучение