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»,