Программа дисциплины «Онтологическое моделирование»

Скачать 181.41 Kb.

Название	Программа дисциплины «Онтологическое моделирование»
Тип	Программа дисциплины

rykovodstvo.ru > Руководство эксплуатация > Программа дисциплины

Национальный исследовательский университет Высшая школа экономики
Программа дисциплины «Онтологическое моделирование» для направления 010400.62 Прикладная

математика и информатика подготовки бакалавра

Правительство Российской Федерации
Нижегородский филиал

Федерального государственного автономного образовательного учреждения высшего профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики"

Факультет

Бизнес-информатики и прикладной математики
Программа дисциплины
Онтологическое моделирование

для направления 010400.62 Прикладная математика и информатика подготовки бакалавра

Автор программы:

Поршнев А.В., кандидат психол.наук, aporshnev@hse.ru

Одобрена на заседании кафедры

прикладной математики и информатики «___»____________ 2014 г

Зав. кафедрой Калягин В.А.
Рекомендована секцией УМС «Прикладная математика» «___»____________ 2014 г

Председатель Калягин В.А.
Утверждена УМС НИУ ВШЭ – Нижний Новгород «___»_____________2014 г.

Председатель Бухаров В.М.

Нижний Новгород, 2014

Настоящая программа не может быть использована другими подразделениями университета и другими вузами без разрешения кафедры-разработчика программы.

Область применения и нормативные ссылки

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности.

Программа предназначена для преподавателей, ведущих дисциплину «Онтологическое моделирование», учебных ассистентов и студентов направления подготовки 010400.62 Прикладная математика и информатика уровень подготовки бакалавр.
Программа разработана в соответствии с:

- Образовательным стандартом ФГАУ ВПО НИУ-ВШЭ по направлению подготовки "Прикладная математика и информатика " (уровень подготовки: "бакалавр").

- Рабочим учебным планом университета по направлению подготовки 010400.62 Прикладная математика и информатика, утвержденным в 2014г.

Цели освоения дисциплины

Курс посвящен рассмотрению различных подходов к поиску и обработке информации находящейся в Интернет, анализ данных человеком, психологии творчества и генерации нового знания.

Целью освоения дисциплины «Онтологическое моделирование» является изучение современных подходов к проблематике анализа данных и творческого решения задач.

Компетенции обучающегося, формируемые в результате освоения дисциплины

В результате освоения дисциплины студент должен:

знать закономерности обработки информации человеком
уметь анализировать текстовые массивы для поиска трендов
уметь применять методы интеллектуального анализа данных

В результате освоения дисциплины студент осваивает следующие компетенции:

Компетенция	Код НИУ	Дескрипторы – основные признаки освоения (показатели достижения результата)	Формы и методы обучения, способствующие формированию и развитию компетенции
способность демонстрации общенаучных базовых знаний естественных наук, математики и информатики, понимание основных фактов, концепций, принципов теорий, связанных с прикладной математикой и информатикой	ПК-1	Демонстрирует при решении различных задач реального мира (анализа социальных сетей, сетей цитирования и т.д.), в том числе при обсуждении возможностей по применению методов интеллектуального анализа данных для решения практических задач.	Семинарские занятия: обсуждение статей и проблемных задач, участие в дискуссиях, подготовка презентаций.
способность понимать и применять в исследовательской и прикладной деятельности современный математический аппарат	ПК-2	Демонстрирует при обсуждении возможностей по применению методов интеллектуального анализа данных для решения практических задач.	Семинарские занятия: обсуждение статей и проблемных задач
способность в составе научно-исследовательского и производственного коллектива решать задачи профессиональной деятельности в соответствии с профилем подготовки, общаться с экспертами в других предметных областях	ПК-3	Демонстрирует при решении различных задач реального мира в команде	, подготовка презентаций.
способность критически оценивать собственную квалификацию и её востребованность, переосмысливать накопленный практический опыт, изменять при необходимости вид и характер своей профессиональной деятельности	ПК-4	Демонстрирует в обсуждении результатов презентаций	Обсуждение презентаций
способность осуществлять целенаправленный многокритериальный поиск информации о новейших научных и технологических достижениях в сети Интернет и из других источников	ПК-5	Демонстрирует при поиске информации для решении различных анализа социальных сетей, сетей цитирования и т.д.	Выполнение лабораторной работы 1 и лабораторной работы 2
способность собирать, обрабатывать и интерпретировать данные современных научных исследований, необходимые для формирования выводов по соответствующим научным, профессиональным, социальным и этическим проблемам	ПК-6	Демонстрирует при поиске информации для решении различных анализа социальных сетей, сетей цитирования и т.д.	Выполнение лабораторной работы 1 и лабораторной работы 2
способность формировать суждения о значении и последствиях своей профессиональной деятельности с учетом социальных, профессиональных и этических позиций	ПК-7	Демонстрирует в ходе обсуждения презентаций	На семинарских занятиях
способность решать задачи производственной и технологической деятельности на профессиональном уровне, включая разработку математических моделей, алгоритмических и программных решений	ПК-8	Демонстрирует при поиске информации для решении различных анализа социальных сетей, сетей цитирования и т.д.	Выполнение лабораторной работы 1 и лабораторной работы 2
способность составлять и контролировать план выполняемой работы, планировать необходимые для выполнения работы ресурсы, оценивать результаты собственной работы	ПК-11	Демонстрирует при подготовке лабораторной работы	Выполнение лабораторной работы 1 и лабораторной работы 2

Место дисциплины в структуре образовательной программы

Настоящая дисциплина относится к вариативной части цикла дисциплин профиля подготовки.

Изучение данной дисциплины базируется на знаниях по комбинаторике и теории вероятностей, теории графов и дискретной математике, программирования. Используются знания из других областей: курса библиотечной культуры, общей психологии, социологии и т.д..

В результате освоения учебной дисциплины студенты должны продемонстрировать не только понимание методов и алгоритмов интеллектуального анализа данных, но умения творчески подойти к решению задач и отрефлексировать процесс решения задач (для того чтобы избегать психологических ловушек возникающих в ситуации неопределенности). В ходе курса рассматриваются задачи связанные с анализом данных публикуемых пользователями сети Интернет.

Тематический план учебной дисциплины

№	Название раздела	Всего часов	Аудиторные часы			Самостоятельная работа
№	Название раздела	Всего часов	Лекции	Семинары	Практические занятия	Самостоятельная работа
1	Тема 1. Простейшие модели анализа текстовой информации	19	9		10	40
2	Тема 2. Базовые методы интеллектуального анализа данных	19	9		10	30
3	Тема 3. Психология творчества. Принятие решений в ситуации неопределенности.	16	8		8	38
	Итого	54	26		28	108

Формы контроля знаний студентов

Тип контроля	Форма контроля	1 год			Параметры
Тип контроля	Форма контроля		2	3	Параметры
Текущий (неделя)	Домашнее задание		5	5	Лабораторная работа 1, 2
Итоговый	Экзамен			*	Письменный экзамен, 30 мин.

1.1Критерии оценки знаний, навыков

Текущая оценка рассчитывается как среднее из оценок: выступление с презентацией, участие в дискуссиях на семинаре, оценки за домашнюю и контрольную работу.

Выступление с презентацией оценивается двумя оценками (А и Б):

А. Подготовка презентации. Владеет культурой мышления, способен к обобщению, анализу, восприятию информации, постановке цели и выбору путей ее достижения, способен логически верно, аргументированно и ясно строить устную и письменную речь, способен к саморазвитию, повышению своей квалификации и мастерства, способен, используя отечественные и зарубежные источники информации, собрать необходимые данные проанализировать их и подготовить информационный обзор и/или аналитический отчет, способен использовать для решения коммуникативных задач современные технические средства и информационные технологии.

Оценивается качество материала презентации: использование информационных источников (3 балла), нацеленность на аудиторию (3 балла), насколько презентация в Power Point (OpenOffice) проработана (3 балла), бонусный балл за блестяще подготовленную презентацию (1 балл), итого максимум 10 баллов.

Б. Проведение презентации. Способен логически верно, аргументированно и ясно строить устную и письменную речь, способен использовать для решения коммуникативных задач современные технические средства и информационные технологии.

Оценивается качество процесса презентации: умение заинтересовать аудиторию (3 балла), устная речь оратора (3 балла), взаимодействие с аудиторией (3 балла), бонусный балл за блестяще подготовленную презентацию (1 балл), итого максимум 10 баллов.
Участие в дискуссии на семинаре

Владеет культурой мышления, способен к обобщению, анализу, восприятию информации, постановке цели и выбору путей ее достижения, способен логически верно, аргументировано и ясно строить устную и письменную речь, готов к кооперации с коллегами, работе в коллективе, способен к саморазвитию, повышению своей квалификации и мастерства

Способен критически оценивать свои достоинства и недостатки, наметить пути и выбрать средства развития достоинств и устранения недостатков.

Оценка за семинар: активность на семинаре (3 балла), способность критически обработать информацию (3 балла); умение привлечь необходимые знания для участия в дискуссии (3 балла), бонусный балл за блестящий ответ на семинаре (1 балл), итого максимум 10 баллов.
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.

Порядок формирования оценок по дисциплине

1. При получении результирующей оценки учитываются: среднее арифметическое оценки за участие в семинарах (О_сем), оценки за выполнение лабораторных работ 1 и 2 ( О_лаб1 , О_лаб1).

2. Вес оценок:

W_сем = 0.3, Wл_аб1=0.4, W_лаб2=0.3

3. Накопленная оценка за второй и третий модули выставляется по следующей формуле

О_{накопленная} = W_сем * О_сем +W_лаб1 * О_лаб1. +W_лаб2 * О_лаб2

Например, если у студента по 10-балльной шкале набраны следующие оценки:

О_сем = 6, О_лаб1 = 6, О _лаб2=4 то О_{текущий} = W_сем * О_сем +W_лаб1 * О_лаб1.+ W _лаб2 * О _лаб2 = 5

4. Если студент не согласен с накопленной оценкой, то он может сдавать экзамен (письменно).

O_{итоговая}=0.6*O_нак+0.4*O_{экзамен}
На пересдаче студенту предоставляется возможность получить дополнительный балл для компенсации оценки за текущий контроль. На экзамене студент может получить дополнительный вопрос (дополнительную практическую задачу, решить к пересдаче домашнее задание), ответ на который оценивается в 1 балл. Таким образом, результирующая оценка за итоговый контроль в форме экзамена, получаемая на пересдаче, выставляется по формуле

О_{итоговый} = W_з_{экзамен}·О_{экзамен} + W_{накопленная} О_{накопленная}₊O_{доп.вопрос}

В ведомость выставляется оценка О_итог: например, "экзамен" (7).
В диплом выставляется результирующая оценка по дисциплине О_итог.
Способ округления дробных арифметический.

Содержание дисциплины

Тема 1. Простейшие модели анализа текстовой информации

Основы компьютерной лингвистики. Использование регулярных выражений для анализа текстов. Применение алгоритмов обработки текстов для решения задач анализа мнений (opinion mining) и анализа тональности высказываний (sentiment analysis). Реализация словарного анализатора настроений на языке Python. Реализация анализатора настроений с использованием наивного байесовского алгоритма в системе RapidMiner.
Основная литература.

Большакова, Е. И., Клышинский, Э. С., Ландэ, Д. В., Носков А.А., Пескова О.В., & Ягунова Е.В. (2011). АВТОМАТИЧЕСКАЯ ОБРАБОТКА ТЕКСТОВ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ И КОМПЬЮТЕРНАЯ ЛИНГВИСТИКА. Москва: МИЭМ. 2011 http://www.hse.ru/pubs/lib/data/access/ticket/13831977665b930c73bcf92f6c83981548a6fd05b7/ пособие%20школа%20по%20компьютерной%20лингвистике%20-%20копия.pdf

Дополнительная литература.

Chen, M.-H., Huang, S.-T., Hsieh, H.-T., Kao, T.-H., & Chang, J. S. (2012). FLOW: a first-language-oriented writing assistant system. In Proceedings of the ACL 2012 System Demonstrations (pp. 157–162). Stroudsburg, PA, USA: Association for Computational Linguistics. Retrieved from http://dl.acm.org/citation.cfm?id=2390470.2390497
Fang, G., Yu, H., & Nishino, F. (2005). Web-based terminology translation mining. In Proceedings of the Second international joint conference on Natural Language Processing (pp. 1004–1016). Berlin, Heidelberg: Springer-Verlag. doi:10.1007/11562214_87
Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up?: sentiment classification using machine learning techniques. In Proceedings of the ACL-02 conference on Empirical methods in natural language processing-Volume 10 (pp. 79–86). Retrieved from http://dl.acm.org/citation.cfm?id=1118704
Taboada, M., Brooke, J., Tofiloski, M., Voll, K., & Stede, M. (2011). Lexicon-based methods for sentiment analysis. Comput. Linguist., 37(2), 267–307. doi:10.1162/COLI_a_00049
Xu, F. (2012). Data Mining in Social Media for Stock Market Prediction. Retrieved from http://dalspace.library.dal.ca:8080/handle/10222/15459

Тема 2. Базовые методы интеллектуального анализа данных

Введение в нейронные сети. Подготовка данных использования алгоритмов нейронных сетей. Сеть Левенберга-Марквардта. Сеть Хакена. Стохастические методы обучения искусственных нейронных сетей. Использование нейронный сетей для решения прикладных задач. Применение нейронных сетей с помощью существующих программных комплексов.
Основная литература.

Барский А.Б. Логические нейронные сети. : Интернет-Университет Информационных Технологий: БИНОМ. Лаборатория знаний, 2013. 352 с.

Дополнительная литература

Bigus J.P. Data mining with neural networks: solving business problems--from application development to decision support. New York: McGraw-Hill, 1996.
Ištoka Otković I., Tollazzi T., Šraml M. Calibration of microsimulation traffic model using neural network approach // Expert Syst. Appl. 2013. Т. 40. № 15. С. 5965–5974.
Karabacak K., Cetin N. Artificial neural networks for controlling wind–PV power systems: A review // Renew. Sustain. Energy Rev. 2014. Т. 29. С. 804–827.
Kristjanpoller W., Fadic A., Minutolo M.C. Volatility forecast using hybrid Neural Network models // Expert Syst. Appl.
Lee S., Choeh J.Y. Predicting the helpfulness of online reviews using multilayer perceptron neural networks // Expert Syst. Appl.
Oliveira F.A. de, Nobre C.N., Zárate L.E. Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4, Petrobras, Brazil // Expert Syst. Appl. 2013. Т. 40. № 18. С. 7596–7606.
Venkatesh K. и др. Cash demand forecasting in ATMs by clustering and neural networks // Eur. J. Oper. Res. 2014. Т. 232. № 2. С. 383–392.
Witten I.H., Frank E.. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, San Francisco, 2 edition, 2005.
Han J., Kamber M., Data Mining: Concepts and Techniques, Second Edition, Morgan Kaufman, 2006.
Remco R. Bouckaert, Eibe Frank, Mark Hall, Richard Kirkby, Peter Reutemann, Alex Seewald, David Scuse. WEKA Manual for Version 3-6-3, July 27, 2010
Mitchell T., Machine Learning, McGraw Hill, 1997
Барсегян, А. А., Куприянов М.С., Степаненко В.В., Холод А.А., Методы и модели анализа данных: OLAP и Data Mining. БХВ-Петербург, 2004. - 336 с.
Николенко, С.И., Тулупьев, А.Л., Самообучающиеся системы. – М.: МЦНМО, 2009. – 288 с.
Сегаран Т. Программируем коллективный разум. М.: Символ-Плюс, 2008.

Тема 3. Психология творчества. Принятие решений в ситуации неопределенности.

Проблема творчества и нестандартного подхода к решению задач. Творчество как культурный феномен (ценностный и нормативный аспекты), Творчество и свобода. Творчество в межличностных отношениях. Эмоциональный интеллект. Место творчества в ее различных видах деятельности

Процесс принятия решений человеком. Роль эмоций в поведении человека. Особенности познавательных процессов (памяти, внимания, восприятия) и их роль в принятии решений. Психологические эффекты, возникающие при принятии решений в ситуации неопределенности. Информационные каскады.
Основная литература

Канеман Д., Словик П., Тверски А. Принятие решений в неопределенности: Правила и предубеждения. Изд-во ИПП «Гуманитарный центр», 2005, - 632с.
Bittner J.V., Heidemeier H. Competitive mindsets, creativity, and the role of regulatory focus // Think. Ski. Creat. 2013. Т. 9. С. 59–68.

Дополнительная литература

Beaussart M.L., Andrews C.J., Kaufman J.C. Creative liars: The relationship between creativity and integrity // Think. Ski. Creat. 2013. Т. 9. С. 129–134.
Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of Computational Science, 2(1), 1–8. doi:10.1016/j.jocs.2010.12.007
Chen, Ray, & Lazer, Marius. (2013). Sentiment Analysis of Twitter Feeds for the Prediction of Stock Market Movement. stanford.edu. Retrieved January 25, 2013, from http://cs229.stanford.edu/proj2011/ChenLazer-SentimentAnalysisOfTwitterFeedsForThePredictionOfStockMarketMovement.pdf
Ding, T., Fang, V., & Zuo, D. (2013). Stock Market Prediction based on Time Series Data and Market Sentiment. Retrieved from http://murphy.wot.eecs.northwestern.edu/~pzu918/EECS349/final_dZuo_tDing_vFang.pdf
Lassig C.J. Approaches to creativity: How adolescents engage in the creative process // Think. Ski. Creat. 2013. Т. 10. С. 3–12.
Peng S.-L. и др. A model of contextual and personal motivations in creativity: How do the classroom goal structures influence creativity via self-determination motivations? // Think. Ski. Creat. 2013. Т. 10. С. 50–67.
Silvia P.J., Beaty R.E., Nusbaum E.C. Verbal fluency and creativity: General and specific contributions of broad retrieval ability (Gr) factors to divergent thinking // Intelligence. 2013. Т. 41. № 5. С. 328–340.
Бахтин М. М. Эстетика словесного творчества. М. 1999.
Бердяев Н. А. Философия свободы. Смысл творчества. М. 1989.
Рудык Н. Поведенческие финансы или между страхом и алчностью. М.: Дело, 2004.
Семенов И. Н. Обзор научных школ отечественной психологии творчества и рефлексии / Психология Журнал Высшей школы экономики. 2009, Т. 6, № 4. С. 117–123
Старовойтенко Е. Б. Жизненные отношения личности. К. 1991.
Старовойтенко Е. Б. Современная психология. М. 2001.
Степанов С. Ю. Рефлексивная практика творческого развития человека и организаций. М. 2001.
Фельдштейн Д. И. Психология развивающейся личности. М. 1996.
Холодная М. А. Психология интеллекта: парадоксы исследования. Томск. 1997.

Образовательные технологии

На семинарах проводятся дискуссии на основе обсуждения статей или глав из книг, написанных на русском и английском языках.
Оценочные средства для текущего контроля и аттестации студента

Описание лабораторной работы 1.

1. Цель работы: познакомиться с практическими аспектами анализа Больших данных и выявления возможных путей использования результатов их обработки.

2. Задача 1

Построение простейшего словарно анализатора тональности. Выберите одну из эмоциональных тональностей:

Радость, счастье

Гнев

Страх

Печаль

Для построения словаря Вам необходимо выбрать 7-10 слов, которые на Ваш взгляд будут свидетельствовать о наличии том, что оцениваемое Вами сообщение имеет выбранную тональность. Например, «Настроение отличное. Уже почти здоров. Наверное, завтра в школу не пойду ищо, пойду к врачу и потом подстричься», в данном примере «настроение отличное» может служить индикатором радости.

3.Задача 2

Написать простейший скрипт на Python, который анализирует сообщения из Твиттера (см. приложении 113000 сообщений) и в случае нахождения слов из словаря записывает сообщение в файл. Файл потом потребуется для ручной оценки качества скрипта на Python

4. Постройте график динамики тональностей сообщений пользователей Твиттер

5. Напишите отчет, в котором опишите график динамики тональностей сообщений. Связан ли график с реальными событиями, происходившими в это время. К отчету необходимо приложить работающий код на Python
Описание лабораторной работы 2.

1. Цель работы: познакомиться с практическими аспектами анализа сетей цитирования и создания библиографической карты научной области.

2. Загрузка списков цитирования

Выбор ключевых слов. В качестве ключевых слов могут быть использованы ключевые слова из курсовой работы или предполагаемой ВКР. Требование к ключевым словам – выдавали список литературы не менее 100 источников.

Для загрузки библиографических данных необходимо использовать базы данных Web of Knowledge или Science Direct. Если в поиске будет больше 500 источников придется загружать несколько файлов.

3. Построение сети цитирования

С помощью программы CiteSpace http://cluster.ischool.drexel.edu/~cchen/citespace/tutorial.html построить граф цитирования в области научных интересов
4. Анализ сети цитирования

Определите наиболее авторитетные источники, статьи содержащие обзоры области, основные тренды развития данной научной области, для 2 авторитетных статей и 2 статей с обзорами постройте график цитируемости по годам (что мы можем сказать по этим графикам). Определите есть ли группы, можно ли выявить группы в которых происходил прорыв.

5. Напишите отчет, в котором опишите область, насколько она является связной, какие работы необходимо прочитать, чтобы получить о ней представление, как будет происходить развитие данной области.

Учебно-методическое и информационное обеспечение дисциплины

Основная литература

Bittner J.V., Heidemeier H. Competitive mindsets, creativity, and the role of regulatory focus // Think. Ski. Creat. 2013. Т. 9. С. 59–68.
Барский А.Б. Логические нейронные сети. : Интернет-Университет Информационных Техно-логий: БИНОМ. Лаборатория знаний, 2013. 352 с.
Большакова, Е. И., Клышинский, Э. С., Ландэ, Д. В., Носков А.А., Пескова О.В., & Ягунова Е.В. (2011). АВТОМАТИЧЕСКАЯ ОБРАБОТКА ТЕКСТОВ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ И КОМПЬЮТЕРНАЯ ЛИНГВИСТИКА. Москва: МИЭМ. 2011 http://www.hse.ru/pubs/lib/data/access/ticket/13831977665b930c73bcf92f6c83981548a6fd05b7/ пособие%20школа%20по%20компьютерной%20лингвистике%20-%20копия.pdf
Канеман Д., Словик П., Тверски А. Принятие решений в неопределенности: Правила и предубеждения. Изд-во ИПП «Гуманитарный центр», 2005, - 632с.

Дополнительная литература

Beaussart M.L., Andrews C.J., Kaufman J.C. Creative liars: The relationship between creativity and integrity // Think. Ski. Creat. 2013. Т. 9. С. 129–134.
Bigus J.P. Data mining with neural networks: solving business problems--from application development to decision support. New York: McGraw-Hill, 1996.
Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of Computational Science, 2(1), 1–8. doi:10.1016/j.jocs.2010.12.007
Chen, M.-H., Huang, S.-T., Hsieh, H.-T., Kao, T.-H., & Chang, J. S. (2012). FLOW: a first-language-oriented writing assistant system. In Proceedings of the ACL 2012 System Demonstrations (pp. 157–162). Stroudsburg, PA, USA: Association for Computational Linguistics. Retrieved from http://dl.acm.org/citation.cfm?id=2390470.2390497
Chen, Ray, & Lazer, Marius. (2013). Sentiment Analysis of Twitter Feeds for the Prediction of Stock Market Movement. stanford.edu. Retrieved January 25, 2013, from http://cs229.stanford.edu/proj2011/ChenLazer-SentimentAnalysisOfTwitterFeedsForThePredictionOfStockMarketMovement.pdf
Ding, T., Fang, V., & Zuo, D. (2013). Stock Market Prediction based on Time Series Data and Market Sentiment. Retrieved from http://murphy.wot.eecs.northwestern.edu/~pzu918/EECS349/final_dZuo_tDing_vFang.pdf
Fang, G., Yu, H., & Nishino, F. (2005). Web-based terminology translation mining. In Proceedings of the Second international joint conference on Natural Language Processing (pp. 1004–1016). Berlin, Heidelberg: Springer-Verlag. doi:10.1007/11562214_87
Han J., Kamber M., Data Mining: Concepts and Techniques, Second Edition, Morgan Kaufman, 2006.
Ištoka Otković I., Tollazzi T., Šraml M. Calibration of microsimulation traffic model using neural network approach // Expert Syst. Appl. 2013. Т. 40. № 15. С. 5965–5974.
Karabacak K., Cetin N. Artificial neural networks for controlling wind–PV power systems: A review // Renew. Sustain. Energy Rev. 2014. Т. 29. С. 804–827.
Kristjanpoller W., Fadic A., Minutolo M.C. Volatility forecast using hybrid Neural Network models // Expert Syst. Appl.
Lassig C.J. Approaches to creativity: How adolescents engage in the creative process // Think. Ski. Creat. 2013. Т. 10. С. 3–12.
Lee S., Choeh J.Y. Predicting the helpfulness of online reviews using multilayer perceptron neural networks // Expert Syst. Appl.
Mitchell T., Machine Learning, McGraw Hill, 1997
Oliveira F.A. de, Nobre C.N., Zárate L.E. Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4, Petrobras, Brazil // Expert Syst. Appl. 2013. Т. 40. № 18. С. 7596–7606.
Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up?: sentiment classification using machine learning techniques. In Proceedings of the ACL-02 conference on Empirical methods in natural language processing-Volume 10 (pp. 79–86). Retrieved from http://dl.acm.org/citation.cfm?id=1118704
Peng S.-L. и др. A model of contextual and personal motivations in creativity: How do the classroom goal structures influence creativity via self-determination motivations? // Think. Ski. Creat. 2013. Т. 10. С. 50–67.
Remco R. Bouckaert, Eibe Frank, Mark Hall, Richard Kirkby, Peter Reutemann, Alex Seewald, David Scuse. WEKA Manual for Version 3-6-3, July 27, 2010
Silvia P.J., Beaty R.E., Nusbaum E.C. Verbal fluency and creativity: General and specific contributions of broad retrieval ability (Gr) factors to divergent thinking // Intelligence. 2013. Т. 41. № 5. С. 328–340.
Taboada, M., Brooke, J., Tofiloski, M., Voll, K., & Stede, M. (2011). Lexicon-based methods for sentiment analysis. Comput. Linguist., 37(2), 267–307. doi:10.1162/COLI_a_00049
Venkatesh K. и др. Cash demand forecasting in ATMs by clustering and neural networks // Eur. J. Oper. Res. 2014. Т. 232. № 2. С. 383–392.
Witten I.H., Frank E.. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, San Francisco, 2 edition, 2005.
Xu, F. (2012). Data Mining in Social Media for Stock Market Prediction. Retrieved from http://dalspace.library.dal.ca:8080/handle/10222/15459
Барсегян, А. А., Куприянов М.С., Степаненко В.В., Холод А.А., Методы и модели анализа данных: OLAP и Data Mining. БХВ-Петербург, 2004. - 336 с.
Бахтин М. М. Эстетика словесного творчества. М. 1999.
Бердяев Н. А. Философия свободы. Смысл творчества. М. 1989.
Николенко, С.И., Тулупьев, А.Л., Самообучающиеся системы. – М.: МЦНМО, 2009. – 288 с.
Рудык Н. Поведенческие финансы или между страхом и алчностью. М.: Дело, 2004.
Сегаран Т. Программируем коллективный разум. М.: Символ-Плюс, 2008.
Семенов И. Н. Обзор научных школ отечественной психологии творчества и рефлексии / Психология Журнал Высшей школы экономики. 2009, Т. 6, № 4. С. 117–123
Старовойтенко Е. Б. Жизненные отношения личности. К. 1991.
Старовойтенко Е. Б. Современная психология. М. 2001.
Степанов С. Ю. Рефлексивная практика творческого развития человека и организаций. М. 2001.
Фельдштейн Д. И. Психология развивающейся личности. М. 1996.
Холодная М. А. Психология интеллекта: парадоксы исследования. Томск. 1997.

Интернет-ресурсы

Курсы на coursera.org

Big Data Analysis https://www.coursera.org/course/bigdata

Networked Life https://www.coursera.org/course/networks

Machine Learning https://www.coursera.org/course/ml

Конференции по интеллектуальному анализу данных

1. CIKM Conference – ACM Conference on Information and Knowledge Management http://www.cikmconference.org/

2. ICDM Conference – IEEE International Conference on Data Mining http://www.cs.uvm.edu/~icdm/

3. KDD Conference – ACM SIGKDD Conference on Knowledge Discovery and Data Mining http://www.kdd.org/

Материально-техническое обеспечение дисциплины

Используется компьютер, стандартный проектор, видеокамера, карточки для экспериментов по распространению информации. Для занятий с использованием Python необходим компьютерный класс.

Автор А.В.Поршнев

	Рабочая программа дисциплины «Имитационное моделирование» Направление подготовки «Имитационное моделирование» являются получение теоретических знаний по имитационному моделированию и приобретение практических навыков...		С. Г. Пудовкина моделирование, анализ Учебное пособие предназначено для студентов, изучающих дисциплины «Математические методы и модели в экономике», «Математическая экономика»,...
	Программа учебной дисциплины «Моделирование с помощью профессиональных пакетов» Направление подготовки: 02. 04. 02 «Фундаментальная информатика и информационные технологии»		Пояснительная записка Дополнительная общеобразовательная общеразвивающая... Дополнительная общеобразовательная общеразвивающая программа «Начальное техническое моделирование» (далее Программа) определяет содержание...
	Рабочая программа дисциплины Цифровая обработка сигналов Изучение современных методов цифровой обработки сигналов (моделирование временных последовательностей, теория дискретных линейных...		Рабочая программа учебной дисциплины (рпуд) инженерные web-технологии... Рабочая программа составлена в соответствии с требованиями федерального государственного образовательного стандарта высшего образования,...
	Тематический план и содержание учебной дисциплины мдк. 04. 01 Моделирование...		П. Д. Киселев моделирование движения бесконечной цепи тел Направление подготовки бакалавров: 010800 Механика и математическое моделирование
	В. С. Погодина моделирование движения связанных спутников в гравитационном... Направление подготовки бакалавров: 010800 Механика и математическое моделирование		Компьютерное моделирование и визуализация в архитектуре и градостроительстве... Цель освоения дисциплины: сформировать у студентов навыки автоматизированного проектирования, подготовка специалиста, способного...
	Рабочая программа учебной дисциплины «Прогнозирование, проектирование... Министерства образования и науки Российской Федерации от 8 декабря 2009 года №709 и в соответствии с рабочим учебным планом направления...		Программа разработана на основе методик: Н. А. Бабаев, О. К. Гаевский,... ...
	Рабочая программа учебной дисциплины Обоснование. Место дисциплины... Цели и задачи освоения дисциплины. Требования к уровню освоения содержания дисциплины		Рабочая программа Моделирование физических систем
	Рабочая программа учебной дисциплины английский язык заочное отделение Рабочая программа учебной дисциплины разработана на основе фгос и в соответствии с примерной программой учебной дисциплины для специальностей...		Фгос ворабочая программа дисциплины рабочая программа дисциплины...