double arrow

Методы исследований менеджмента наукоемких производств


 

1.Машинное обучение - построение модели из данных. Основные задачи машинного обучения: классификация, регрессия, кластеризация.

2.Представление многомерных данных: матрицы "объект-признак", "объект-объект", "признак-признак".

3.Визуализация многомерных данных: метод главных компонентов.

4.Моделирование случайных величин: метод Монте-Карло. Генерация случайных величин с различными законами распределения.

5.Основные понятия искусственных нейронных сетей: биологический нейрон, искусственный нейрон, архитектура нейронных сетей.

6.Парадигмы обучения нейронных сетей: с учителем, без учителя, с подкреплением.

7.Обучение с учителем: метод обратного распространения ошибки. Формирование сигнала учителя.

8.Обучение без учителя: самоорганизующиеся карты Кохонена. Группирование объектов. 

9.Классификация с помощью нейронных сетей - решение задач из области менеджмента: подбор персонала наукоемкого предприятия, выбор стратегии развития предприятия, отбор инвестиционного проекта. 

10.Регрессия - прогнозирование временных рядов с помощью нейронных сетей: выбор типа сети, формирование структуры сети, оценка горизонта прогноза.




11.Кластеризация - иерархический метод и метод k-средних. Модели объединения объектов, построение дендрограмм. 

12.База примеров для обучения сети. Метод Монте-Карло при формировании такой базы.

13.Проблемы переобучения (чрезмерного усложнения) и недообучения (чрезмерного упрощения) в задаче обобщения нейронных сетей. Метод опорных векторов. Понятие о максимальном отступе. Решение задачи классификации методом опорных векторов.  

14.Основы нечеткой логики: нечеткие множества, лингвистические переменные, градации переменных, виды функций принадлежности.

15.Схема системы нечеткого вывода: операции фаззификации и дефаззификации. Разновидности операции дефаззификации.

16.Формирование базы правил продукционного типа: Если ..., То. Требуемое число правил в системе нечеткого вывода, ограничения на количество переменных в задачах нечеткой логики.

17.Задачи из области менеджмента, решаемые с помощью нечеткой логики: оценка эффективности инноваций, оценка кредитоспособности предприятия, оценка выбора источника финансирования. Выбор входных переменных.

18.Сравнение нейронных сетей и нечеткой логики: по числу используемых переменных, по необходимым данным (база примеров и база правил), по структуре выходных параметров (дискретные и непрерывные), используемым программным продуктам.

19.Нейронечеткая гибридная система типа ANFIS: роли нейронной сети и нечеткой логики в такой системе. Формирование обучающей и тестовой выборок данных, создание пятислойной сети, автоматическое построение базы правил. Преимущества и недостатки такой системы. 

20.Основные понятия глубокого обучения как подмножества машинного обучения. Глубокая нейронная сеть. Наборы данных для обучения: обучающая, проверочная и тестовая выборки. Сверточные нейронные сети: операция свертки.

 



Приложение Б

Примерный перечень тем ВКР бакалавров

 

Направление 38.03.02 «Менеджмент»,







Сейчас читают про: