“Modelēšana un kvantitatīvās analīzes metodes uzņēmējdarbībā” - kurss 32 000 rubļu. no MSU, apmācība 4 nedēļas. (1 mēnesis), datums: 2023. gada 29. novembris.

Literārs Mistrojums / by admin / December 01, 2023

click fraud protection

Kursa apguve ir saistīta ar statistikas teorētisko pamatu apguvi, varbūtību teoriju un iegūšanu vispusīgas zināšanas par informācijas apstrādes un analīzes metožu praktisko izmantošanu uzņēmējdarbībā - vidi.

Kursa apgūšana ļauj iegūtās zināšanas izmantot praksē, apstrādājot primāros datus, iegūto rezultātu prezentēšana tabulu, grafiku, diagrammu veidā, vispārināšanas konstruēšana rādītājiem.

Uz to pamata iespējams izmantot visefektīvākās statistiskās un kvantitatīvās metodes un modeļus ekonomiskajā analīzē, tai skaitā sadalījumu veidošanā, kvantitatīvās metodes varbūtību novērtēšanai, metodes lēmumu pieņemšanai nenoteiktības apstākļos, metodes ticamības intervālu konstruēšanai, metodes statistikas konstruēšanai un novērtēšanai hipotēzes.

Kurss notiek divās versijās: pamata un padziļinātā. Nodarbību apjoms stundās ir vienāds.

Pamatprogramma ietver nodarbības un mācību materiālus kopā ar fakultātes maģistrantiem. Paplašinātā programma ir atsevišķa grupa padziļinātas apmācības ietvaros.

Klausītāju kategorija

instagram viewer

– uzņēmumu un nodaļu vadītāji, korporatīvo riska fondu darbinieki, jomas speciālisti R&D, projektu un produktu vadītāji, inovāciju un pārmaiņu vadītāji, analītiskais personāls nodaļas

Nodarbību sākums - 2023. gada rudens.

Ilgums - 72 stundas (32 stundas auditorijas nodarbības ar skolotāju, 40 stundas patstāvīga materiālu apguve).

Studiju forma – pilna un nepilna laika.

Izglītības izmaksas - 32 000 rubļu.

Apmācību līgumi tiek slēgti ar fiziskām un juridiskām personām.

Reģistrācija kursiem tiek veikta pa e-pastu [email protected], izmantojot reģistrācijas veidlapu vietnē.

Lai reģistrētos vai uzdotu jautājumus, varat sazināties ar kursu administratoru Antonu Martjanovu, izmantojot WhatsApp vai Telegram pa tālruni +79264827721.

Tehnisko zinātņu doktora amats: M.V. Lomonosova Maskavas Valsts universitātes Vadības un inovāciju augstskolas profesors

1. tēma. Personas datu analīzes metodes

Histogrammas, izkliedes diagrammas, laika rindas, rakurstabulas, kopsavilkuma metrika, lodziņu diagrammas, pāru korelācijas matrica.

2. tēma. Varbūtību teorijas un matemātiskās statistikas kvantitatīvās metodes

Varbūtību teorija. Varbūtību teorijas pamatnoteikumi. Diskrēti un nepārtraukti gadījuma lielumi. Cerības un dispersija. Atvasinātie varbūtības sadalījumi. Normālie, binomiālie sadalījumi. Daudzpakāpju lēmumu pieņemšanas procedūras nenoteiktības apstākļos. Stratēģiju izvērtēšana (EMV). Lēmumu koks un tā programmatūras ieviešana (TreePlan).
Matemātikas statistika. Matemātiskās statistikas galvenais uzdevums. Statistisko aplēšu jēdziens un to īpašības. Uzticamības intervālu novērtējums. Vispārējs plāns situāciju analīzei nenoteiktības apstākļos. Uzticamības intervāla garuma kontrole. Tipiskas statistikas problēmas. Statistisko hipotēžu pārbaude.

Paplašināto kursu programma

1. tēma. Datu sagatavošana statistiskai analīzei

Vispārējās datu uzraudzības un pirmapstrādes metodes (nepilnību, dublikātu, anomāliju, ievades datu formalizācijas prasību pārkāpumu u.c. identificēšana). Datu priekšapstrādes un konsolidācijas procesa automatizācijas demonstrēšana. Statistisko paraugu veidošanas metodes (vienkāršā nejaušās izlases metode, sistemātiskā metode, stratifikācijas metode, klasteru pieeja, daudzpakāpju izlases metodes).

2. tēma. Statistiskās datu analīzes metodes

Korelācijas analīze. Faktoru analīze. Diskriminanta analīze. Kopīga analīze.

3. tēma. Regresijas analīzes metodes

Mazākā kvadrāta metode. Neatkarīgo faktoru izvēle. Funkcijas klases izvēle. Pāru un daudzkārtēja regresija. Regresijas koeficientu nozīmīguma novērtēšanas metodes. Regresijas modeļa precizitātes novērtēšana. Modeļa atbilstības statistiskie testi. Regresijas analīzes uzdevumu linearizācijas metodes. Darbs ar neciparu datiem (fiktīva mainīgā metode).

4. tēma. Datu ieguves metodes

Analītiskā atskaite un daudzdimensionāla datu prezentācija. Datu krātuve. Mērījumi un fakti. Pamatdarbības ar datu kubu. Automatizētu datu analīzes modeļu uzbūve. Ar datu ieguves metodēm atrisināto problēmu veidi: klasifikācija, klasterizācija, regresija, asociācija, konsekventu modeļu meklēšana. Katram problēmu veidam visplašāk izmantotie algoritmi ir: pašorganizējošās kartes, lēmumu koki, lineārā regresija, neironu tīkli, asociatīvie noteikumi. Pētījumu rezultātu vizualizācijas metodes.

Adrese

119991, Maskava, st. Ļeņinska Gori, 1, bldg. 51, 5. stāvs, 544. kab. (dekanāts)

Universitāte

Tags mākonis

Literārs Mistrojums

novērtējums

Views

Komentāri