[Кафедра вычислительной математики]

 Запись на курс по почте  mikhail.kumskov@math.msu.ru

Рассматриваются основные типы моделей, используемые
закономерностей в данных: регрессионный анализ, кластеризация данных, построение простых и обобщенных деревьев решений, сокращение данных – метод главных компонент. Эти методы, входящие в научную дисциплину «Распознавания образов» (Pattern Recognition), являются основой такой быстро развивающейся дисциплины как Business Intelligence (BI) и Машинное обучение (Machine Learning). Методы широко используются в бизнес-аналитике.
Кратко обсуждаются идеи и методы нейронных сетей и машины поддерживающих векторов (SVM – Support Vector Machine), а также методы bootstrap-построения оценок при недостаточном числе исходных данных. Рассматриваются основные понятия «нечеткого» (fuzzy) анализа данных и их применения для построения новых признаков и ведения «нелинейности» в модели. Предлагаемые алгоритмы могут быть использованы в базах данных для восстановления (предсказания) пропущенных значений.

 Запись на курс по почте  mikhail.kumskov@math.msu.ru

Студенты получат навыки документирования требований в виде текстовых спецификаций (Requirements Specification), в форме сценариев использования (Use Cases), бизнес-сценариев использования (Business Use Cases) и «пользовательских историй» (User Stories); они получают представление о том, как качество и полнота требований влияют на архитектуру программного продукта и на успешность проекта разработки системы в целом. Большое внимание уделяется навыкам визуального моделирования (в нотации UML), включая «правильный» выбор объектов моделирования, что позволяет понять структуру и поведение элементов ИС. Знания и навыки, полученные во время обучения по программе, будут достаточны для самостоятельной работы в роли системного и бизнес аналитика как в больших компаниях, так и в стартапах – то есть полезны всем тем, кто участвует в сборе, анализе, в управлении и контроле качества требований при разработке ПО.