Модели и методы интеллектуального анализа данных для системы управления рисками

СОДЕРЖАНИЕ

НОРМАТИВНЫЕ ССЫЛКИ………………………………………………

ОПРЕДЕЛЕНИЯ…………………………………………………………….

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ……………………………………..

ВВЕДЕНИЕ………………………………………………………………….

4

5

6

7

1. РИСК В DATA MINING………………………………………………...
1.1 Управление рисками ………………………………………………...
1.2 Применение Data mining в риск менеджменте ……………………
1.3 Принципы построения системы риск-менеджмента в IT компании......................................................................................................... 10
10
12

15

2. МОДЕЛИ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ……………………………………………………………………
26
2.1 Выбор и оценка модели. Прогнозирование производительности…
2.2 Визуализация. Предварительная обработка данных…………………
2.3 Утилиты загрузки набора данных. Постоянство модели……………. 26
41
44

3 АЛГОРИТМ ОЦЕНКИ ЗНАНИЙ И НАВЫКОВ СТУДЕНТОВ…….
47
3.1 Алгоритм построения системы оценки студента ……………………. 49
3.2 Применение методов интеллектуального анализа данных на этапах управления рисками электронного обучения…………………………….. 60
3.3 Сравнение с конкурентами…………………………………………….. 65
3.4 Веб платформа для размещения результатов…………………………
66
ЗАКЛЮЧЕНИЕ…………………………………………………………….. 69
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ………………………
71
ПРИЛОЖЕНИЯ ……………………………………………………………. 75

Технологии - важный аспект анализа рисков, а также инструмент для подачи сигнала тревоги в отношении будущих тенденций. Интеллектуальный анализ данных служит для сбора и выбора информации, например, с помощью инструментов Data Mining банк может получить «профили» добросовестных и неблагонадежных заемщиков, кроме того, возможно классифицировать заемщика по группам риска, то есть не только решить вопрос о возможности кредитования, но и установить лимит кредита, проценты по нему и срок возврата
Интеллектуальный анализ данных эффективен благодаря способности обрабатывать информацию с нескольких платформ, а также из баз данных. Люди смогут добиваться эффективности и дольше обрабатывать информацию, полученную за счет глубокого и машинного обучения. Следовательно, интеллектуальный анализ данных теперь используется при финансовых рисках, управлении при определении профилей, тенденций и идей в настоящем времени. Интеллектуальный анализ данных выгоден для разных предприятий, например для производства, рекламы, управления рисками и так далее. Соответственно, требуется стандартный процесс интеллектуального анализа данных. Этот процесс интеллектуального анализа данных должен быть надежным, кроме того, эту процедуру должны повторять люди, практически не обладающие знаниями или опытом в области науки о данных.
Термин «управление рисками» в области электронного обучения означает идею, характеризующую качество стабильной образовательная деятельность, а точнее исходная ситуация, подготовка и процессы принятия решений в рамках предоставление и получение образовательных услуг.
Одним из желаемых результатов любого процесса оценки является улучшение. В этом контексте это желательно, чтобы результаты оценки можно было использовать для внесения изменений в учебный процесс с целью повышения эффективности обучения. Как правило, количественные элементы (числовая шкала основанные на вопросах вопросы) наиболее полезны для целей оценки, в то время как качественные вопросы (открытые вопросы) наиболее полезны для улучшения.
Существует множество определений риска, которые различаются домены приложений. В экономической теории риск относится к ситуациям, где лицо, принимающее решение, может присвоить вероятности разным возможные исходы . Точно так же в теории принятия решений, риск - это то, что решение принято при условии известная вероятность по состояниям природы. В управлении проектами нет единого определения для риска, совокупность знаний по управлению проектами риск рассматривается как «неопределенное событие или условие, которое, если оно возникает, имеет положительную (возможность) или отрицательную (угроза) влияние на цели проекта ''. Однако многие практические специалисты и исследователи в области управления проектами по-прежнему учитывают риски быть в большей степени связанным с неблагоприятным воздействием на выполнение проекта. С этой точки зрения проект управление рисками похоже на выявление и управление угрозы проекту.
Актуальность темы исследования. За последнее десятилетие возросло количество ИТ-проектов использующих интеллектуальный анализ данных, но их жизнеспособность зависит от грамотного управления рисками. В результате выбора неправильной модели интеллектуального анализа данных могут возникнуть негативные последствия, тем не менее эта проблема не получает должного внимания. Данная работа освещает детали использования различных моделей Data Mining при построении системы управления рисками.
Цель исследования: исследование моделей и методов интеллектуального анализа данных для системы управления рисками.
Задачи исследования:
1. Исследование роли интеллектуального анализа данных в системе управления рисками
2. Обосновать и дать характеристику современным методам и моделям Data mining
3. Применение Data mining в риск - менеджменте организации (на примере IT- школы программирования)
Объект и предмет исследования. Объектом исследования настоящей работы является риск - менеджмент организации, предметом – модели и методы интеллектуального анализа данных.
Методология и методика исследования. Теоретическую базу исследования составляют библиотеки машинного обучения языков программирования, а также основополагающие принципы управления рисками, изложенные в трудах Л.Д. Слепневой, О. Гущевой, Д.Г. Андреевича, Самсон С, Ригби Д. Гровер Р. и др. Основой методологии исследования являются отдельные элементы системного подхода.
Основные положения и выводы, выносимые на защиту. К методам, направленных на получение прогнозирующих результатов, относят: нейронные сети, деревья решений, линейная регрессия, метод ближайшего соседа, метод опорных векторов. Были разработаны алгоритмы обучения и обработки данных для достижения цели IT - организации, а именно профориентации студентов.
Практическая направленность работы. Интеллектуальный анализ данных эффективен благодаря способности обрабатывать информацию с нескольких платформ, а также из баз данных. Люди смогут добиваться эффективности и дольше обрабатывать информацию, полученную за счет машинного обучения.
Апробация и внедрение результатов исследования. В результате проведенных исследований, на общем доступе были размещены практические рекомендации, предложения, при выборе модели Data mining в профориентации студентов для IT школы.
Структура и объем диссертационной работы (проекта). Диссертационная работа состоит из введения, основной части и заключения, а также включает нормативные ссылки, определения, обозначения и сокращения, список литературы и приложения. Общее количество страниц 77, 4 рисунка и 4 таблицы

Опыт написания студенческих работ более 18 лет, поэтому можете с уверенностью скачать данную работу, вставить титульный лист и сдать преподавателю, получить оценку «5», или «4», но не ниже.

Работа оформлено согласно большинству ГОСТов
По всей работе ссылки или подстрочные или в квадратных скобках (в разных работах по разному)

Работа прошла проверку по системе ЕТХТ, но пройдет и по системе -antiplagiat.ru, -Антиплагиат ВУЗ- (http://rane.antiplagiat.ru/ и др. тому подобные), -ЕТХТ (и документом и текстом), Руконтекст, проходит и польский СТРАЙК и plagiat.pl, новую систему СКОЛКОВО (самая последняя версия АП ВУЗ)

Работа в формате doc/ docx, если вы поменяете формат на docx/doc, то оригинальность может упасть, поэтому НЕ меняйте формат работы. Название файла менять можно сколько угодно

Есл и возникли проблемы с оригинальностью – не отправляйте на перерасчет – Напишите мне (Алексей К.) и я исправлю, если что то не так. Могу выслать несколкьо вариантов работы с оригинальностью, чтобы вы подобрали для своей системы проверки.