Факультатив 2015 09 22 %28краткий%29x

Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системный анализ и проектирование»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
П р а в ит е л ь с т во Р о с с и йс ко й Фе д е р а ци и
Федеральное государственное автономное образовательное учреждение
высшего профессионального образования
Национальный исследовательский университет
"Высшая школа экономики"
Ф а ку л ь т е т К о м п ь ют е р ных на ук
Ба з о ва я ка фе др а И СА РА Н
« Ма т е м а т ич е с ки е м е т о д ы с и с т е м но г о а на л из а »
Программа общеуниверситетского факультатива
Моделирование и оценка
эффективности макросистем
Для студентов всех направлений
Авторы программы:
Попков Юрий Соломонович - директор ИСА РАН, член-корр.
РАН,профессор, д.т.н., зав.кафедрой ММСА (ypopkov@hse.ru)
Дмитриев Михаил Геннадьевич – н.с. ИСА РАН, профессор,
д.т.н.( mgdmitriev@hse.ru)
Булычев Александр Викторович – с.н.с., к.т.н., (abulychev@hse.ru)
Одобрена на заседании кафедры
Математические методы системного анализа
Зав. кафедрой Попков Ю.С.
«____» ____________2015 г.
Москва, 2015
Настоящая программа не может быть использована другими подразделениями
университета и другими вузами без разрешения кафедры-разработчика программы.
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системный анализ и проектирование»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
1. Аннотация
Цели освоения дисциплины: комплексное освоение современной методологии системного анализа, основных принципов и подходов теории макросистем, управления эффективностью сложных систем, представления знаний и анализа информации для решения задач в прикладных областях (экономике, производстве, природе и экологии, технике, информационных
технологиях).
В курсе будет подобно рассказано о современных подходах и методах дисциплины системный анализ, ориентированных на практическую применимость изучаемых методов и их
актуальное приложение при анализе данных в информатике, экономике, финансах, социологии,
демографии, транспорта, медицины и др.
В результате изучения дисциплины слушатели курса:
 освоят базовые понятия, основные принципы и парадигмы системного подхода, которые
позволят повысить навыки эффективного использования информации для анализа и прогнозирования поведения прикладных систем, с которыми слушатели работают на практике;
 познакомятся на доступном языке с современными стандартами анализа данных, в частности с занимающими центральное место в статистике энтропийными, байесовскими, и
непараметрическими методами;
 поймут сущность энтропийного подхода и смогут на ее основе моделировать поведение
реальных объектов в различных научных дисциплинах: экономике, информационных
технологиях и др.
 смогут применять (планировать, проводить исследования и интерпретировать результаты) изученные методы системного анализа и смежных областей для анализа прикладных
систем в различных областях;
 научаться выбирать и адаптировать из большого многообразия современных моделей и
алгоритмов анализа данных подходящие модели для решения конкретных задач;
 смогут знакомиться с современными результатами и достижениями в области анализа
информации, опубликованными в ведущих рецензируемых журналах.
Основные темы дисциплины:
 дисциплина системный анализ. Цели, основные понятия, принципы и парадигмы системного анализа. Признаки сложной системы. Системные эффекты;
 энтропия как функция состояния системы. Функции распределения вероятностей макросостояний;
 оценка свойств параметров моделей (например, регрессионных), которые имеют содержательный смысл, используя открытые данные и вычислительные алгоритмы;
 основные принципы и подходы теории макросистем, математическая модель макросистемы и ее применение для моделирования и исследования процессов в демоэкономических, транспортных и информационных системах, компьютерной томографии;
 байесовский подход в статистике и анализе данных, методы формализации априорной
информации и статистических выводов;
 сущность и математическая формализация непараметрических методов обработки данных (например, нейронных сетей) и их применение;
 основные эконометрические методы анализа данных на примере реального сектора экономики и региональной динамики;
 задачи линейного и динамического программирования и их применение для оптимизации систем со сложной структурой;
 построение и применение производственных функций при анализе экономических процессов;
 методы решения транспортных задач в системном анализе;
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системный анализ и проектирование»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
 применение инструментов системного анализа для моделирования основных функциональных отношений в экономике и построении социо-эколого-экономических моделей;
 модели влияния власти на социально-экономические системы и их приложения;
 современные методы анализа больших данных (Big Data) и их применение в бизнесе и
управлении. Модели рисков (Value At Risk) при приятии решений;
 методы корректировки результатов исследования с учетом ошибок в данных;
 принципы формулирования целей (целеполагания) исследований и выбор показателей,
позволяющих комплексно оценивать успешность научно-аналитического исследования;
 обзор современных моделей и алгоритмов анализа данных (Data Science), принципы, заложенные в их работу. Адаптация и комбинация (композиции) моделей для решения
прикладных задач;
 история стандартов обработки данных и хрестоматийные примеры последствий, к которым приводили ошибки при анализе данных;
 снижение размерности многомерных задач и выделение значимых факторов;
 классификация систем по структуре и типу их организации (гетерогенные, гомогенные,
детерминированные, стохастические). Равновесие в системах;
 граница применения принципа редукционизма. Почему не всегда эффективно при анализе детализировать и разделять рассматриваемые системы на более мелкие подсистемы?;
 современные методы анализа текстовой информации;
 методы выявления трендов в динамических данных. Алгоритмы выделения технологических трендов, использующиеся в ведущих компаниях (Google, Apple и др.);
 методы повышения качества экспертной оценки, возможность ее автоматизации и снижения степени субъективности экспертов;
 препроцессинг данных и степень его влияния на результаты анализа;
 обзор основных глобальных моделей мировой динамики, способы измерения технологического прогресса;
 операции над матрицами (сингулярное разложение) для получения значимых и нетривиальных выводов при анализе данных;
 методы и алгоритмы, предназначенные для эффективного анализа малых по длине выборок данных;
 методы формулирования на математическом языке экспертных мнений и их интеграция
в алгоритмы анализа данных;
 сущность экономических циклов. Моделирование циклов в различных экономических
школах;
 демонстрации приложений изученных алгоритмов анализа данных с целью извлечения
полезных знаний на конкретных примерах.
Трудоемкость курса 324 часа, 114 ч аудиторной работы в 1,2, 3 модулях, 210 ч самостоятельной работы. 9 кредитов.
Итоговая оценка по дисциплине формируется следующим образом: оценка за экзамен (40%)
и оценка по результатам текущего контроля (60%). В рамках текущего контроля оценивается
работа на семинарах, результаты выполнения контрольной работы и написания реферата.
Факультатив впервые начинает свою работу и после знакомства с аудиторией студентов будет предложена более подробная программа курса.
Основная литература:
1. Buhlmann P.,van de Geer S. Statistics for High-Dimensional Data: Methods, Theory and Applications.
1st
edition.
Springer
Publishing
Company,
Incorporated,
2011.
ISBN:3642201911,9783642201912.
2. Nickl R. Nonparametric Bernstein–von Mises theorems in Gaussian white noise // The Annals
of Statistics. 2013. Vol.41 , no. 4. P. 1999–2028. URL http: //dx.doi.org/10.1214/13-AOS1133.
3. Вайдлих В. Социодинамика.М, УРСС, 365с. 2002
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системный анализ и проектирование»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
4. Зельнер А. Байесовские методы в эконометрии / Пер. с англ. Г. Г. Пирогова и Ю. П. Федоровского; С предисл. Переводчиков. – М.: Статистика», 1980. – 438 с., ил.
5. Майер-Шенбергер В. Большие данные. Революция, которая изменит то, как мы живем,
работаем и мыслим / Виктор Майер-Шенбергер, Кеннет Кукьер; пер. с англ. Инны Гайдюк. – М.: Манн, Иванов и Фербер, 2014. – 240 с.
6. Моисеев Н.Н. Математические задачи системного анализа. М.: Наука, 1981, 487 с.
7. Понтрягин Л.С. и др. Математическая теория оптимальных процессов. 1969. 384 с.
8. Попков Ю.С. Теория макросистем, М. УРСС, 245с. 2013
9. Попков Ю.С. Математическая демоэкономика: Макросистемный подход. - М.:ЛЕНАНД,
2013. – 560 с.
10.
Системный анализ и принятие решений. М.: Высшая школа, 2004. – 616 с.
11.
Соколов А.В. Методы оптимальных решений. Т.1 / А.В. Соколов, В.В. Токарев. –
М.: ФИЗМАТЛИТ, 2010
12.
Ширяев А.Н. Основы стохастической финансовой математики. Том 1, 2. М.: Фазис, 1998.
Дополнительная литература:
1. Distributed Computing and Its Applications. // monograph / S.V. Emelyanov, A.P. Afanasiev,
Y.R. Grinberg, V.E. Krivtsov,B.V. Peltsverger, O.V. Sukhoroslov, R.G. Taylor, V.V. Voloshinov - Felicity Press, Bristol, USA, 2005. – 298 p.
2. J.M. Bernardo, A.F.M. Smith. Bayesian theory. Chichester, England: John Wiley & Sons,
2000, 611 p.
3. Bochkina N. Consistency of the posterior distribution in generalized linear inverse problems //
Inverse Problems. 2013. Vol.29 , no.9 . P. 0950 10. URL http: //stacks.iop.org/02665611/29/i=9/a=095010.
4. L.D. Broemeling. Bayesian Methods for Measures of Agreement.Taylor& Francis Group, LLC,
2009, 335p.
5. Cheng G., Kosorok M.R. General frequentist properties of the posterior pro le distribution //
The Annals of Statistics. 2008. — 08. Vol.36, no.4. P. 1819–1853.URL http :
//dx.doi.org/10.1214/07- AOS536.
6. Gelman, J.B. Carlin, H.S. Stern, D.B. Rubin. Bayesian data analyses. Washington: Chapman
& Hall/CRC, 2004, 695p.
7. Leahu H . On the Bernstein-von Mises phenomenon in the Gaussian white noise model // Electronic Journal of Statistics. 2011. Vol.5. P.373–404. URL http://dx.doi.org/10.1214/11EJS611.CastilloI.
8. S.T. Rachev, J.S.J. Hsu, B.S. Bagasheva, F.J. Fabozzi. Bayesian Methods in Finance. New Jersey: John Wiley & Sons, 2008, 352p.
9. Арутюнов А. В., Магарил-Ильяев Г. Г., Тихомиров В. М. Принцип максимума Понтрягина. Доказательство и приложения. – М.: Факториал Пресс. 2006.
10. Афанасьев М.Ю. Исследование операций в экономике: модели, задачи, решения / М.Ю.
Афанасьев, Б.П. Суворов. – М.: Инфра-М, 2003.
11. Винер Н. «Кибернетика» – М: Наука, 1983
12. Емельянов С.В., Ларичев О.И. “Многокритериальные методы принятия решений”.- М.:
Знание, 1985
13. Канторович В.Л. Математические методы организации и планирования производства.Л.: Изд-во Ленингр. ун-та, 1939.
14. Карманов В.Г. Моделирование в исследовании операций / В.Г.Карманов, В.В.Федоров. –
М. : Твема, 1996.
15. Кремер Н.Ш. Теория вероятностей и математическая статистика. —М.: ЮНИТИ, 2003,
2004, 2007.
16. Перегудов Ф.И., Тарасенко Ф.Л. «Введение в системный анализ» – М:ВШ, 1989.
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системный анализ и проектирование»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
17. Понтрягин Л.С. Принцип максимума в оптимальном управлении. – М.: Едиториал
УРСС. 2004.