„Моделирање и квантитативне методе анализе у пословању“ - курс 32.000 рубаља. из МСУ, обука 4 недеље. (1 месец), Датум: 29.11.2023.

мисцеланеа / by admin / December 01, 2023

click fraud protection

Савладавање курса је повезано са проучавањем теоријских основа статистике, теорије вероватноће и добијања свеобухватно знање о практичној употреби метода обраде и анализе информација у пословању - Животна средина.

Изучавање курса вам омогућава да стечено знање користите у пракси приликом обраде примарних података, представљање добијених резултата у облику табела, графикона, дијаграма, конструисање уопштавања индикатори.

На њиховој основи могуће је користити најефикасније статистичке и квантитативне методе и моделе у економској анализи, укључујући конструкцију дистрибуција, квантитативне методе за процену вероватноће, методе за доношење одлука у условима неизвесности, методе за конструисање интервала поверења, методе за конструисање и вредновање статистичких хипотезе.

Курс се изводи у две верзије: основној и напредној. Обим наставе у сатима је исти.

Основни програм подразумева наставу и проучавање градива заједно са студентима мастер студија факултета. Проширени програм је посебна група у оквиру напредне обуке.

instagram viewer

Категорија слушалаца – руководиоци предузећа и одељења, запослени у корпоративним ризичним фондовима, стручњаци у овој области Р&Д, менаџери пројеката и производа, менаџери за иновације и промене, аналитичко особље одељења

Почетак наставе - јесен 2023.

Трајање - 72 часа (32 часа кабинетске наставе са наставником, 40 часова самосталног проучавања градива).

Форма учења – са пуним и непуним радним временом.

Трошкови образовања - 32.000 рубаља.

Уговори о обуци се закључују са физичким и правним лицима.

Регистрација за курсеве се врши путем е-поште хсми-допобр@маил.ру, путем обрасца за регистрацију на веб страници.

Можете контактирати администратора курса, Антона Мартјанова, да се региструјете или имате питања путем ВхатсАпп-а или Телеграма на +79264827721.

Доктор техничких наука Позиција: професор Више школе за менаџмент и иновације Московског државног универзитета М.В. Ломоносов

Тема 1. Методе анализе личних података

Хистограми, дијаграми расејања, временске серије, пивот табеле, сумарне метрике, дијаграми кутије, матрица парне корелације.

Тема 2. Квантитативне методе теорије вероватноће и математичке статистике

Теорија вероватноће. Основна правила теорије вероватноће. Дискретне и континуиране случајне променљиве. Очекивање и варијанса. Изведене дистрибуције вероватноће. Нормалне, биномне дистрибуције. Вишестепене процедуре одлучивања у условима неизвесности. Евалуација стратегија (ЕМВ). Стабло одлучивања и његова софтверска имплементација (ТрееПлан).
Матх статистицс. Главни задатак математичке статистике. Појам статистичких процена и њихова својства. Процена интервала поверења. Општи план за анализу ситуација у условима неизвесности. Контролисање дужине интервала поверења. Типични статистички проблеми. Тестирање статистичких хипотеза.

Програм проширеног курса

Тема 1. Припрема података за статистичку анализу

Опште методе праћења и предобраде података (идентификација празнина, дупликата, аномалија, кршења захтева формализације улазних података, итд.). Демонстрација аутоматизације процеса предобраде и консолидације података. Методе за конструисање статистичких узорака (једноставна метода случајног узорковања, систематска метода, метода стратификације, кластерски приступ, методе вишестепеног узорковања).

Тема 2. Методе статистичке анализе података

Корелациона анализа. Анализа фактора. Дискриминантна анализа. Заједничка анализа.

Тема 3. Методе регресионе анализе

Метод најмањег квадрата. Избор независних фактора. Избор класе функције. Парна и вишеструка регресија. Методе за процену значајности коефицијената регресије. Процена тачности регресионог модела. Статистички тестови адекватности модела. Методе линеаризације проблема регресионе анализе. Рад са ненумеричким подацима (метода лажне променљиве).

Тема 4. Методе рударења података

Аналитичко извештавање и вишедимензионална презентација података. Складиште података. Мерења и чињенице. Основне операције на коцки података. Изградња модела аутоматизоване анализе података. Врсте проблема решених методама Дата Мининга: класификација, груписање, регресија, асоцијација, тражење конзистентних образаца. Алгоритми који се најчешће користе за сваки тип проблема су: самоорганизоване мапе, стабла одлучивања, линеарна регресија, неуронске мреже, асоцијативна правила. Методе визуелизације резултата истраживања.

Адреса

119991, Москва, ул. Ленинские гори, 1, бл. 51, 5. спрат, соба 544 (деканат)

Универзитет

Ознаке облак