Главная » Моделирование и количественные методы анализа в бизнесе
Моделирование и количественные методы анализа в бизнесе
Освоение курса связанно с изучением теоретических основ статистики, теории вероятностей и получением комплексных знаний по практическому использованию методов обработки и анализа информации в бизнес - среде. Изучение курса позволяет использовать полученные знания на практике при обработке первичных данных, представлении полученных результатов в виде таблиц, графиков, диаграмм, построении обобщающих показателей. На их основе обеспечивается возможность использования наиболее эффективных статистических и количественных методов и моделей в экономическом анализе, включая построение распределений, количественные методы оценки вероятностей, методы принятия решений в условиях неопределенности, методы построения доверительных интервалов, методы построения и оценки статистических гипотез.
В результате освоения программы слушатель сможет:
Освоить программный инструментарий персонального анализа первичных данных, а именно форматы исходной информации, механизмы работы, методы интерпретации результатов.
Изучить основные характеристики описательной статистики, методы их вычисления и интерпретации.
Изучить методы количественного анализа неопределенности, способы классификации недетерминированных задач.
Сформировать представление и навыки практического вычисления количественных характеристик процессов в условиях неопределенности.
Освоить методы принятия решений в условиях неопределенности.
Курс проводится в двух вариантах: базовый и расширенный. Объем занятий в часах одинаковый.
Базовая программа подразумевает занятия и изучение материалов совместно со студентами магистратуры факультета. Расширенная программа - отдельная группа в рамках повышения квалификации.
Тема 2. Количественные методы теории вероятностей и математической статистики
Теория вероятностей. Основные правила теории вероятностей. Дискретные и непрерывные случайные величины. Математическое ожидание и дисперсия. Производные вероятностные распределения. Нормальные, биномиальные распределения. Многошаговые процедуры принятия решений в условиях неопределенности. Оценка стратегий (EMV). Дерево решений и его программная реализация (TreePlan).
Математическая статистика. Основная задача математической статистики. Понятие статистических оценок и их свойства. Оценка доверительных интервалов. Общий план анализа ситуаций в условиях неопределенности. Управление длиной доверительного интервала. Типовые статистические задачи. Проверка статистических гипотез.
Программа расширенного курса
Тема 1. Подготовка данных для статистического анализа
Общие методы контроля и предобработки данных (выявление пробелов, дубликатов, аномалий, нарушений требований входной формализации данных и т.д.). Демонстрация автоматизации процесса предобработки и консолидации данных. Методы построения статистических выборок (метод простых случайных выборок, систематический метод, метод стратификации, кластерный подход, многоступенчатые методы построения выборок).
Метод наименьших квадратов. Выбор независимых факторов. Выбор класса функций. Парная и множественная регрессия. Методы оценки значимости регрессионных коэффициентов. Оценка точности регрессионной модели. Статистические тесты адекватности модели. Методы линеаризации задач регрессионного анализа. Работа с нечисловыми данными (метод фиктивных переменных).
Тема 4. Методы Data Mining
Аналитическая отчетность и многомерное представление данных. Хранилище данных. Измерения и факты. Основные операции над кубом данных. Построение автоматизированных моделей анализа 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. Способы визуализации результатов исследований.
Категория слушателей – руководители компаний и подразделений, сотрудники корпоративных венчурных фондов, специалисты в области НИОКР, руководители проектов и продуктов, менеджеры по инновациям и изменениям, сотрудники аналитических отделов.
Начало занятий - осень 2024 года.
Продолжительность – 72 часа (32 часа аудиторных занятий с преподавателем, 40 часа самостоятельного изучения материалов).
Форма обучения – очно-заочная.
Стоимость обучения - 35 200 рублей.
Договоры на обучение заключаются с физическими и юридическими лицами.
Запись на курсы проводится по электронной почте hsmi-dopobr@mail.ru, через форму регистрации на сайте.
1983г. - с отличием окончил факультет Вычислительной математики и кибернетики МГУ им. М.В. Ломоносова, кафедра "Теории игр и исследования операций".
1985г. - аспирантура факультета Вычислительной математики и кибернетики МГУ им. М.В. Ломоносова, защитил кандидатскую диссертации на тему "Задачи анализа и синтеза на коммуникационных сетях" .
2007г. - защитил докторскую диссертацию на тему «Модели и методы управления сетевыми структурами в кризисных ситуациях».
Освоение курса связанно с изучением теоретических основ статистики, теории вероятностей и получением комплексных знаний по практическому использованию методов обработки и анализа информации в бизнес - среде. Изучение курса позволяет использовать полученные знания на практике при обработке первичных данных, представлении полученных результатов в виде таблиц, графиков, диаграмм, построении обобщающих показателей. На их основе обеспечивается возможность использования наиболее эффективных статистических и количественных методов и моделей в экономическом анализе, включая построение распределений, количественные методы оценки вероятностей, методы принятия решений в условиях неопределенности, методы построения доверительных интервалов, методы построения и оценки статистических гипотез.
В результате освоения программы слушатель сможет:
Освоить программный инструментарий персонального анализа первичных данных, а именно форматы исходной информации, механизмы работы, методы интерпретации результатов.
Изучить основные характеристики описательной статистики, методы их вычисления и интерпретации.
Изучить методы количественного анализа неопределенности, способы классификации недетерминированных задач.
Сформировать представление и навыки практического вычисления количественных характеристик процессов в условиях неопределенности.
Освоить методы принятия решений в условиях неопределенности.
Курс проводится в двух вариантах: базовый и расширенный. Объем занятий в часах одинаковый.
Базовая программа подразумевает занятия и изучение материалов совместно со студентами магистратуры факультета. Расширенная программа - отдельная группа в рамках повышения квалификации.
Программа базового курса
Тема 1. Методы персонального анализа данных
Гистограммы, диаграммы рассеяния, временные ряды, сводные таблицы, обобщающие показатели, прямоугольные диаграммы, матрица парных корреляций.
Тема 2. Количественные методы теории вероятностей и математической статистики
Теория вероятностей. Основные правила теории вероятностей. Дискретные и непрерывные случайные величины. Математическое ожидание и дисперсия. Производные вероятностные распределения. Нормальные, биномиальные распределения. Многошаговые процедуры принятия решений в условиях неопределенности. Оценка стратегий (EMV). Дерево решений и его программная реализация (TreePlan).
Математическая статистика. Основная задача математической статистики. Понятие статистических оценок и их свойства. Оценка доверительных интервалов. Общий план анализа ситуаций в условиях неопределенности. Управление длиной доверительного интервала. Типовые статистические задачи. Проверка статистических гипотез.
Программа расширенного курса
Тема 1. Подготовка данных для статистического анализа
Общие методы контроля и предобработки данных (выявление пробелов, дубликатов, аномалий, нарушений требований входной формализации данных и т.д.). Демонстрация автоматизации процесса предобработки и консолидации данных. Методы построения статистических выборок (метод простых случайных выборок, систематический метод, метод стратификации, кластерный подход, многоступенчатые методы построения выборок).
Тема 2. Методы статистического анализа данных
Корреляционный анализ. Факторный анализ. Дискриминантный анализ. Совместный анализ.
Тема 3. Методы регрессионного анализа
Метод наименьших квадратов. Выбор независимых факторов. Выбор класса функций. Парная и множественная регрессия. Методы оценки значимости регрессионных коэффициентов. Оценка точности регрессионной модели. Статистические тесты адекватности модели. Методы линеаризации задач регрессионного анализа. Работа с нечисловыми данными (метод фиктивных переменных).
Тема 4. Методы Data Mining
Аналитическая отчетность и многомерное представление данных. Хранилище данных. Измерения и факты. Основные операции над кубом данных. Построение автоматизированных моделей анализа 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. Способы визуализации результатов исследований.
Категория слушателей – руководители компаний и подразделений, сотрудники корпоративных венчурных фондов, специалисты в области НИОКР, руководители проектов и продуктов, менеджеры по инновациям и изменениям, сотрудники аналитических отделов.
Начало занятий - осень 2024 года.
Продолжительность – 72 часа (32 часа аудиторных занятий с преподавателем, 40 часа самостоятельного изучения материалов).
Форма обучения – очно-заочная.
Стоимость обучения - 35 200 рублей.
Договоры на обучение заключаются с физическими и юридическими лицами.
Запись на курсы проводится по электронной почте hsmi-dopobr@mail.ru, через форму регистрации на сайте.
Телефон деканата факультета: +74959328073
Косоруков Олег Анатольевич
Руководитель программ магистратуры "Инноватика"
Образование:
1983г. - с отличием окончил факультет Вычислительной математики и кибернетики МГУ им. М.В. Ломоносова, кафедра "Теории игр и исследования операций".
1985г. - аспирантура факультета Вычислительной математики и кибернетики МГУ им. М.В. Ломоносова, защитил кандидатскую диссертации на тему "Задачи анализа и синтеза на коммуникационных сетях" .
2007г. - защитил докторскую диссертацию на тему «Модели и методы управления сетевыми структурами в кризисных ситуациях».