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.