Управление, основанное на данных

Обработка экспериментальных данных на ЭВМ

ФГБОУ ВО "Магнитогорский государственный технический университет им. Г.И. Носова"
260,00 часов длительность
Онлайн формат
Продвинутый уровень
1 поток (закрыт) 09.12.2021-30.04.2022

Описание

Развитие современного общества и промышленности выдвигает высокие требования к информационному обеспечению, поскольку усложняются связи субъектов рынка, возникает все более настоятельная потребность в изучении влияния различных факторов на результаты деятельности, социальные последствия, а также в прогнозировании, в обобщениях как на макро-, так и на микроуровне. Одним из важнейших ресурсов в управлении становится статистическая информация.

Статистические данные представляют собой составную часть глобальной информационной системы, которая формируется в соответствии с концепцией информатизации, разработанной в Российской Федерации. Владея информацией, предприятия могут эффективнее решать постановленные задачи. И наоборот, основной причиной неизбежных банкротств в России являются некомпетентные действия руководства предприятий: этому способствует отсутствие в распоряжении руководителей информации о конъюнктуре рынка и многих других жизненно важных для данного предприятия явлениях и процессах.

Образовательная программа предназначена для формирования компетенций в области моделирования, сбора и анализа цифровых данных.

В ходе обучения на предлагаемой программе у слушателей формируются следующие компетенции:

  • способность применять естественнонаучные и общеинженерные знания, методы математического анализа и моделирования, теоретического и экспериментального исследования в профессиональной деятельности;
  • способность решать различные типы теоретических и практических задач, предполагающих выбор из многообразия способов решений, выбор тактики осуществления деятельности, оценка и прогнозирование деятельности.

Для прохождения программы предполагается, что слушатель:

  • знаком с фундаментальными математическими основами теории вероятности и статистики;
  • владеет навыками общения с вычислительной техникой и прикладным программным обеспечением.

Для прохождения образовательной программы необходимо наличие на ПК слушателя следующего ПО:

  • Google Chrome;
  • Операционная система Windows;
  • Microsoft Office;
  • в качестве основного инструмента реализации выбран универсальный статистический пакет Statistica, но при отсутствии лицензии на этот пакет все этапы обработки могут быть реализованы как средствами электронных таблиц, так и математическими пакетами.

Каждый модуль разработанной программы имеет однотипную структуру, что позволяет структурировать изучаемый материал. Экспериментальные данные, предлагаемые для индивидуальной работы, представляют собой самостоятельную научную ценность, так как характеризуют функционирование крупнейшего предприятия металлургической промышленности ОАО «Магнитогорский металлургический комбинат». В ходе изучения программы курса допускается использование других экспериментальных данных, полученных в ходе других работ.

Отличительной особенностью разработанной программы является комплексное индивидуальное задание для обучающих, которое они выполняют в виде практических заданий. Основу задания составляют экспериментальные данные, которые определяются единожды на весь период изучения курса. Для выбранных исходных данных выполняется последовательная реализация алгоритмов обработки

Часов в программе
14,00 часов
лекции
76,00 часов
практика
74,00 часа
самостоятельная
84,00 часа
промежуточная аттестация
2 часа
входная диагностика
10 часов
итоговая аттестация
260,00 часов
всего
Цель программы
формирование компетенции для выполнения нового вида профессиональной деятельностий в области моделирования, сбора и анализа цифровых данных.
Актуальность
Развитие современного общества и промышленности выдвигает высокие требования к информационному обеспечению, поскольку усложняются связи субъектов рынка, возникает все более настоятельная потребность в изучении влияния различных факторов на результаты деятельности, социальные последствия, а также в прогнозировании, в обобщениях как на макро-, так и на микроуровне. Одним из важнейших ресурсов в управлении становится статистическая информация.
Статистические данные представляют собой составную часть глобальной информационной системы, которая формируется в соответствии с концепцией информатизации, разработанной в Российской Федерации. Владея информацией, предприятия могут эффективнее решать постановленные задачи. И наоборот, основной причиной неизбежных банкротств в России являются некомпетентные действия руководства предприятий: этому способствует отсутствие в распоряжении руководителей информации о конъюнктуре рынка и многих других жизненно важных для данного предприятия явлениях и процессах.
Входная диагностика 2 часа
тестирование
Итоговая аттестация 10 часов
Экзамен

Компетенции

Профессиональные


Способность применять естественнонаучные и общеинженерные знания, методы математического анализа и моделирования, теоретического и экспериментального исследования в профессиональной деятельности
Знать:

– основные методы и средства автоматизации вычислительных процессов, используемых при обработке данных
– о способах представления и моделях порождения

Уметь:

– применять модели, методы и инструментальные программные средства анализа и обработки экспериментальных данных на ЭВМ;
– использовать основные концептуальные положения функционально-го, логического и объектно-ориентированного направлений программирования, методы, способы и средства разработки программ для реализации алгоритмов обработки экспериментальных данных.

Владеть:

– навыками работы по обработке экспериментальных данных посредством программного обеспечения общего назначения и методоориентированного программного обеспечения.

Способность решать различные типы теоретических и практических задач, предполагающих выбор из многообразия способов решений, выбор тактики осуществления деятельности, оценка и прогнозирование деятельности
Знать:

– отличия экспериментальной информации;
– о моделях данных и классификации задач обработки;
– об организации пользовательского интерфейса в автоматизированных системах обработки экспериментальных данных;
– о визуализации данных.

Уметь:

– выполнять кластеризацию данных для снижения размерности, регрессионных моделей;
– применять метод наименьших квадратов для оценивания параметров линейной и нелинейной регрессии, временных рядов и систем уравнений.

Владеть:

– методами визуализации экспериментальных данных;
– инструментом программных средствах для обработки экспериментальных данных;
– основными алгоритмами обработки экспериментальных данных и средствами программного обеспечения и вычислительной техники;
– навыками по выработке решений на основе анализа результатов обработки экспериментальных данных.

Требования

Для прохождения программы предполагается, что слушатель:

  • знаком с фундаментальными математическими основами теории вероятности и статистики;
  • владеет навыками общения с вычислительной техникой и прикладным программным обеспечением.
Образование
  • Высшее образование
  • Среднее профессиональное образование
Иные требования и рекомендации для обучения по программе

Для прохождения программы предполагается, что слушатель:

  • знаком с фундаментальными математическими основами теории вероятности и статистики;
  • владеет навыками общения с вычислительной техникой и прикладным программным обеспечением.

Модули

свернуть
28,00ч
Модуль 1 Модуль 1. Эксперимент: основные понятия, цели и задачи
Понятие об эксперименте и наблюдении. качественные и количественные наблюдения. Классификация ошибок в экспериментальных исследованиях. Схема классификации видов наблюдения. Виды ошибок. Цели и задачи обработки экспериментальных данных. Практика постановки задачи экспериментальных данных для исследования металлургического производства.
50,00ч
Модуль 3 Модуль 3. Предварительная обработка экспериментальных данных
Представление исходной информации для обработки экспериментальных данных. Обобщающие показатели и вариация экспериментальных данных. Теория гипотез и критериев. Вероятностные распределения и их виды. Практика оценки вида распределения для данных, полученных при исследовании процесса выплавки стали. Цели и задачи предварительной обработки данных. Отсев грубых погрешностей экспериментальных данных. Проверка гипотезы о виде распределения экспериментальных данных. Алгоритм предварительной обработки экспериментальных данных.
68,00ч
Модуль 5 Модуль 5. Множественный анализ данных
Этапы обработки данных в множественном анализе. Множественный корреляционный анализ. Интеркорреляция и мультиколинеарность факторов. Частные и множественные коэффициенты корреляции. Определение параметров эмпирических уравнений. Оценка применимости эмпирической модели. Множественный нелинейный регрессионный анализ. Этапы применения метода всех регрессии. Метод исключения факторов. Метод включения факторов. Модели со структурными изменениями. Значение остатков при изучении результатов множественного регрессионного анализа. Практика проведения множественного анализа экспериментальных данных средствами Statistica. Постановка задачи множественного регрессионного анализа. Практика корреляционного анализа данных о выплавке. Практика построения и оценки множественной регрессии. Практика оценки предпосылок метода наименьших квадратов.
36,00ч
Модуль 2 Модуль 2. Программное обеспечение статистического анализа для обработки эксперименталь-ных данных
Характеристика модулей для обработки экспериментальных данных. Схема классификации программных модулей для обработки экспериментальных данных. Ин-струментальные средства реализации основных моделей для обработки эксперименталь-ных данных. Технология Data Mining – современное средство добычи и обработки дан-ных. Методы исследования данных. Десять мифов интеллектуального анализа данных. Обзор рынка программных средств для обработки результатов наблюдения. Средства графической визуализации экспериментальных данных. Практика графического анализа данных процесса выплавки стали.
66,00ч
Модуль 4 Модуль 4. Многомерные группировки
Кластерный анализ: цели, задачи и виды процедур. Меры сходства признаков в общем наборе данных. Процедуры кластерного анализа. Кластерный анализ в пакете Statistica. Практика кластеризации экспериментальных данных при исследовании процесса выплавки стали.
28,00ч
Модуль 1 Модуль 1. Эксперимент: основные понятия, цели и задачи
Понятие об эксперименте и наблюдении. качественные и количественные наблюдения. Классификация ошибок в экспериментальных исследованиях. Схема классификации видов наблюдения. Виды ошибок. Цели и задачи обработки экспериментальных данных. Практика постановки задачи экспериментальных данных для исследования металлургического производства.
36,00ч
Модуль 2 Модуль 2. Программное обеспечение статистического анализа для обработки эксперименталь-ных данных
Характеристика модулей для обработки экспериментальных данных. Схема классификации программных модулей для обработки экспериментальных данных. Ин-струментальные средства реализации основных моделей для обработки эксперименталь-ных данных. Технология Data Mining – современное средство добычи и обработки дан-ных. Методы исследования данных. Десять мифов интеллектуального анализа данных. Обзор рынка программных средств для обработки результатов наблюдения. Средства графической визуализации экспериментальных данных. Практика графического анализа данных процесса выплавки стали.
50,00ч
Модуль 3 Модуль 3. Предварительная обработка экспериментальных данных
Представление исходной информации для обработки экспериментальных данных. Обобщающие показатели и вариация экспериментальных данных. Теория гипотез и критериев. Вероятностные распределения и их виды. Практика оценки вида распределения для данных, полученных при исследовании процесса выплавки стали. Цели и задачи предварительной обработки данных. Отсев грубых погрешностей экспериментальных данных. Проверка гипотезы о виде распределения экспериментальных данных. Алгоритм предварительной обработки экспериментальных данных.
66,00ч
Модуль 4 Модуль 4. Многомерные группировки
Кластерный анализ: цели, задачи и виды процедур. Меры сходства признаков в общем наборе данных. Процедуры кластерного анализа. Кластерный анализ в пакете Statistica. Практика кластеризации экспериментальных данных при исследовании процесса выплавки стали.
68,00ч
Модуль 5 Модуль 5. Множественный анализ данных
Этапы обработки данных в множественном анализе. Множественный корреляционный анализ. Интеркорреляция и мультиколинеарность факторов. Частные и множественные коэффициенты корреляции. Определение параметров эмпирических уравнений. Оценка применимости эмпирической модели. Множественный нелинейный регрессионный анализ. Этапы применения метода всех регрессии. Метод исключения факторов. Метод включения факторов. Модели со структурными изменениями. Значение остатков при изучении результатов множественного регрессионного анализа. Практика проведения множественного анализа экспериментальных данных средствами Statistica. Постановка задачи множественного регрессионного анализа. Практика корреляционного анализа данных о выплавке. Практика построения и оценки множественной регрессии. Практика оценки предпосылок метода наименьших квадратов.

Преподаватели

Логунова

Оксана Сергеевна

ФГБОУ ВО "Магнитогорский государственный технический университет им. Г.И. Носова"

директор института строительства, архитектуры и искусства

доктор технических наук

Профессор по научной специальности 05.13.06

https://magtu.ru/staff/personalnye-stranitsy-prepodavatelej/item/logunova-oksana-sergeevna.html

Ильина

Елена Александровна

ФГБОУ ВО "Магнитогорский государственный технический университет им. Г.И. Носова"

доцент кафедры вычислительной техники и программирования

кандидат педагогических наук

доцент

https://magtu.ru/staff/personalnye-stranitsy-prepodavatelej/item/ilina-elena-aleksandrovna.html
60 000 p
Авторизуйтесь чтобы записаться

Профстандарт

Системный аналитик

06.022

Ответственный за программу