Конспект лекций Краткий курс

Скачать 0.97 Mb.

Название	Конспект лекций Краткий курс
страница	2/11
Тип	Конспект

rykovodstvo.ru > Руководство эксплуатация > Конспект

1 2 3 4 5 6 7 8 9 10 11

Часть информации доступна публично и всем бесплатно (ACM, arxiv.org), часть находится в ограниченном доступе и доступна платно, по подписке, но всем публично (РГБ, ACM, arxiv.org), часть закрыта и доступна только изнутри соответствующей сети.

В общем случае всё зависит от конкретных публикаций и условий их распространения, например, требований издательств.

Распределённые специализированные поисковые системы.

Peer-to-Peer системы, в которых осуществляется индексирование информации, хранящейся на компьютерах пользователей P2P сети и поиск по другим членам P2P сети.

Примеры таких поисковых P2P сетей: YaCi (Yet Another Citation Index), ScienceNet (SciNet).

Лекция 5

Методы фильтрации информации.

Отобранная информация может быть не точна, противоречива, не полна, не достоверна. Для оценки достоверности можно использовать оценку достоверности источника информации (индекс цитирования источника) и статус публикации: например, для научной информации это ранжирование источников по порядку: монографии, докторские и кандидатские диссертации, книги, статьи в научных журналах, доклады, выступления на конференциях, научно-популярная литература, научные факты и наблюдения, корректно поставленные эксперименты, включая анкетирование и социологические опросы, и все остальные.

Кроме того, требуется оценить релевантность информации: насколько она имеет отношение к решаемой задаче.

Формула Байеса для фильтрации спама.

В теории Томаса Байеса из теории вероятностей используется байесовская вероятность, это интерпретация понятия вероятности. Вероятность определяется как степень уверенности в истинности суждения. Для определения степени уверенности в истинности суждения при получении новой информации в байесовской теории используется теорема Байеса.

Байесовская вероятность противопоставляется частотной, в которой вероятность определяется относительной частотой появления случайного события при достаточно длительных наблюдениях.

Разница между байесовской и частотной интерпретацией играет важную роль в практической статистике. Например, при сравнении двух гипотез на одних и тех же данных, теория проверки статистических гипотез, основанная на частотной интерпретации, позволяет отвергать или не отвергать модели-гипотезы. При этом адекватная модель может быть отвергнута из-за того, что на этих данных кажется адекватнее другая модель. Байесовские методы, напротив, в зависимости от входных данных выдают апостериорную вероятность быть адекватной для каждой из моделей-гипотез.

Теорема Байеса (или формула Байеса) — одна из основных теорем теории вероятностей, которая позволяет определить вероятность того, что произошло какое-либо событие (гипотеза) при наличии лишь косвенных тому подтверждений (данных), которые могут быть неточны.

Формула Байеса:

,

где

— априорная вероятность гипотезы A (смысл такой терминологии см. ниже);

— вероятность гипотезы A при наступлении события B (апостериорная вероятность);

— вероятность наступления события B при истинности гипотезы A;

— полная вероятность наступления события B

Формула Байеса позволяет «переставить причину и следствие»: по известному факту события вычислить вероятность того, что оно было вызвано данной причиной.

События, отражающие действие «причин», в данном случае обычно называют гипотезами, так как они — предполагаемые события, повлекшие данное. Безусловную вероятность справедливости гипотезы называют априорной (насколько вероятна причина вообще), а условную — с учетом факта произошедшего события — апостериорной (насколько вероятна причина оказалась с учетом данных о событии).

Следствие

Формула Байеса является важным следствием из формулы полной вероятности события, зависящего от нескольких несовместных гипотез (то есть, таких, что из них не могут появиться одновременно в результате однократного испытания случайного эксперимента) (и только от них!).

— вероятность наступления события B, зависящего от ряда гипотез

, если известны степени достоверности этих гипотез (например, измерены экспериментально);

Пример применения для фильтрации спама (байесовская фильтрация спама).

При обучении фильтра для каждого встреченного в письмах слова высчитывается и сохраняется его «вес» — оценка вероятности того, что письмо с этим словом — спам. В простейшем случае в качестве оценки используется частота: «появлений в спаме / появлений всего». В более сложных случаях возможна предварительная обработка текста: приведение слов в начальную форму, удаление служебных слов, вычисление «веса» для целых фраз, транслитерация и прочее.

При проверке вновь пришедшего письма вероятность «спамовости» вычисляется по указанной выше формуле для множества гипотез. В данном случае «гипотезы» — это слова, и для каждого слова «достоверность гипотезы»

— доля этого слова в письме, а «зависимость события от гипотезы»

— вычисленный ранее «вес» слова. То есть «вес» письма в данном случае — усредненный «вес» всех его слов.

Отнесение письма к «спаму» или «не-спаму» производится по тому, превышает ли его «вес» некую планку, заданную пользователем (обычно берут 60-80 %). После принятия решения по письму в базе данных обновляются «веса» для вошедших в него слов

Теорема Байеса используется несколько раз в контексте спама: в первый раз, чтобы вычислить вероятность, что сообщение — спам, зная, что данное слово появляется в этом сообщении; во второй раз, чтобы вычислить вероятность, что сообщение — спам, учитывая все его слова (или соответствующие их подмножества); иногда в третий раз, когда встречаются сообщения с редкими словами.

Вычисление вероятности того, что сообщение, содержащее данное слово, является спамом

Предположим, что подозреваемое сообщение содержит слово «Replica». Большинство людей, которые привыкли получать электронное письмо, знает, что это сообщение, скорее всего, будет спамом, а точнее предложением продать поддельные копии часов известных брендов. Программа обнаружения спама, однако, не «знает» такие факты, все, что она может сделать—вычислить вероятности.

Формула, используемая программным обеспечением, чтобы определить это, получена из теоремы Байеса и формулы полной вероятности:

где:

Pr(S|W) — условная вероятность того, что сообщение—спам, при условии, что слово «Replica» находится в нем;
Pr(S) — полная вероятность того, что произвольное сообщение—спам;
Pr(W|S) — условная вероятность того, что слово «replica» появляется в сообщениях, если они являются спамом;
Pr(H) — полная вероятность того, что произвольное сообщение не спам (то есть «ham»);
Pr(W|H) — условная вероятность того, что слово «replica» появляется в сообщениях, если они являются «ham».

«Спамовость» слова

Недавние статистические исследования показали, что на сегодняшний день вероятность любого сообщения быть спамом составляет по меньшей мере 80 %:

.

Однако, большинство байесовских программ обнаружения спама делают предположение об отсутствии априорных предпочтений у сообщения быть «spam», а не «ham», и полагает, что у обоих случаев есть равные вероятности 50 %:

.

О фильтрах, которые используют эту гипотезу, говорят, как о фильтрах «без предубеждений». Это означает, что у них нет никакого предубеждения относительно входящей электронной почты. Это предположение позволяет упрощать общую формулу до:

Значение

называют «спамовостью» слова

, при этом число

, используемое в формуле выше, приближенно равно относительной частоте сообщений, содержащих слово

в сообщениях, идентифицированных как спам во время фазы обучения, то есть:

Точно так же

приближенно равно относительной частоте сообщений, содержащих слово

в сообщениях, идентифицированных как «ham» во время фазы обучения.

Для того, чтобы эти приближения имели смысл, набор обучающих сообщений должен быть большим и достаточно представительным. Также желательно чтобы набор обучающих сообщений соответствовал 50 % гипотезе о перераспределении между спамом и «ham», то есть что наборы сообщений «spam» и «ham» имели один и тот же размер.

Конечно, определение, является ли сообщение «spam» или «ham», базируемой только на присутствии лишь одного определённого слова, подвержено ошибкам, именно поэтому байесовские фильтры спама пытаются рассмотреть несколько слов и комбинировать их спамовость, чтобы определить полную вероятность того, что сообщение является спамом.

Выводы.

Данный метод прост (алгоритмы элементарны), удобен (позволяет обходиться без «черных списков» и подобных искусственных приемов), эффективен (после обучения на достаточно большой выборке отсекает до 95—97 % спама, и в случае любых ошибок его можно дообучать). В общем, есть все показания для его повсеместного использования, что и имеет место на практике — на его основе построены практически все современные спам-фильтры.

Впрочем, у метода есть и принципиальный недостаток: он базируется на предположении, что одни слова чаще встречаются в спаме, а другие — в обычных письмах, и неэффективен, если данное предположение неверно (происходят ложные срабатывания). Впрочем, как показывает практика, такой спам даже человек не в состоянии определить «на глаз» — только прочтя письмо и поняв его смысл.

Метод фильтрации спама по Байесу можно также применять для оценки вероятности гипотез.

Развитие метода.

Байесовская сеть (или Байесова сеть, Байесовская сеть доверия) — это графическая вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями.

Ограничения метода.

Существует ситуация некорректное априорное распределение — ситуация, когда в теореме Байеса сумма (интеграл) априорных вероятностей не даёт в результате 1 или вообще не ограничена.

В этом случае формула Байеса не применима.

Распознавание образов и ситуаций.

Распознавание образов – методы классификации и идентификации предметов, процессов, явлений, сигналов, ситуаций и прочих обобщённых понятий (в терминах кибернетики, образ это состояние кибернетической системы).

Дано множество объектов, разбитое на классы. Требуется провести классификацию, то есть, определить, к какому классу относится объект. Составляется классификатор, то есть, алгоритм классификации и набор данных, позволяющих выполнить алгоритм.

Одним из алгоритмов классификации является наивный Байесовский классификатор, основанный на применении теоремы Байеса с предположениями о независимости событий.

В этом случае, применяя теорему Байеса получаем что документ может быть квалифицирован как спам, если

(логарифм правдоподобия больше некоторой пороговой величины, например, h=0)

Где P(S|D) – вероятность того, что что документ D спам, P(¬S|D) – что не спам,

, где C – класс (S, ¬S),

– независимые вероятности того, что слово w_i из документа D относится к классу С.

Примеры применения распознавания образов:

Распознавание изображений, лиц, речи, символов (OCR); классификация документов; распознавание ситуаций.

Распознавание ситуаций – применение распознавания образов, где в качестве образов выступает динамическое состояние системы управления. Например, система управляется набором правил, и требуется исходя из текущего состояния системы и внешней среды определить наиболее оптимальное правило и действие управления.

Лекция 6

Методы обработки информации.

OLTP (online transactions analytical processing) системы – информационные системы обработки транзакций в режиме реального времени.

Например, корпоративные информационные системы (КИС) уровня предприятия, АСУТП (SCADA) системы.

Системы состоят из базы данных, экранных форм, которые реализуют объекты предметной области (справочники, документы, бизнес-процессы). Пользователь запускает на выполнение очередные действия (транзакции) бизнес-процесса над объектом, по результатам выполнения действия изменяются итоговые данные в базе данных. Поддерживают групповую работу нескольких пользователей. Система организована таким образом, чтобы время выполнения транзакций было мало, обработка происходила в режиме реального времени (микросекунды/секунды для АСУТП, 1-3..10 секунд для КИС).

OLAP (online analytical processing) системы – информационные системы анализа в реальном времени. Итоговая информация собранная OLTP системами анализируется в режиме реального времени в различных разрезах, аналитиках. Как правило, позволяют редактировать логику организации данных в отчёте без программирования. Поддерживаются детализация отчёта (drill-down) и укрупнение (drill-out) для перехода от итогов по группам показателей к отдельным показателям группы, и наоборот.

Упрощённый пример OLAP систем – сводные таблицы (pivot tables) в Excel; отчёты, сформированные по регистрам учёта в 1C:Предприятие.

Cводная таблица представляет собой частный случай кубов данных. Аналоги «кубов данных» в системе 1С:Предприятие – регистры учёта.

Представим себе таблицу в Excel – это двумерная таблица, в которой в строках и колонках находятся измерения, а на пересечении – показатели (ресурсы).

Теперь представим себе трёхмерную, четырёхмерную и т.д. таблицу – и получим n-мерный гиперкуб, или куб данных.

В регистрах накопления 1С измерения могут содержать иерархии (например, группа товаров, товар из группы), а ресурсы содержат итоговые показатели; кроме того, есть «реквизиты» для дополнительных аналитик. В результате «проведения» документов, введённых в экранную форму выполняются «движения регистров»: операции типа приход или расход, увеличение или уменьшение итоговых показателей (ресурсов) на рассчитанную величину. Также система позволяет формировать отчёты по итоговым ресурсам с учётом наложенных фильтров, итогов по группам показателей; выбирать движения с отборам по ресурсам и т.п.

В системе 1С существуют другие типы регистров, с другим набором допустимых операций. В целом, «регистры» моделируют кубы данных.

В кубах данных систем Data Warehouse сами «ресурсы» так же, как и показатели могут иметь группировки по иерархиям, либо это могут быть не числовые показатели а данные произвольной структуры.

Средства работы с кубами данных, отчёты позволяют проводить аналитику по произвольным наборам измерений, ресурсов и т.п.

Аналогом OLAP в КИС системах выступает также бизнес-аналитика (Business Intelligence), где данные могут быть проанализированы в разрезе бизнес-процессов и их параметров.

Анализ данных и Data Mining.
В общем случае OLAP и OLTP системы не связаны между собой: итоговые данные в OLTP системе хранятся в другом виде, чем в OLAP системе и кубах данных. Требуется процедура закачки из OLTP систему в OLAP, поскольку базы данных OLAP и OLTP систем организованы принципиально различно (MDX хранилища в OLAP).

Исключением являются системы вроде 1С, где реализован свой аналог кубов данных OLAP поверх OLTP системы и обыкновенной базы данных (своей архитектуры в v8, DBF или SQL в v7), либо базы данных, допускающие одновременную работу OLAP и OLTP.

Например, MSSQL сервер последних версий поддерживает прозрачную работу с OLAP MDX-хранилищами, документами XML и реляционными таблицами; аналогично, Oracle.

Тем не менее, в этих СУБД есть разница между OLAP и OLTP подсистемами.
Другой пример – постреляционная СУБД Cache фирмы Intersystems (и в целом M-технология, MUMPS). Реляционный, объектно-ориентированный интерфейсы являются надстройками над M-технологией, многомерных кубов данных (глобалов). Доступны все 3 способа доступа, кроме того можно запрограммировать свою произвольную модель данных, с произвольной онтологией. Благодаря высокой производительности MUMPS CУБД, разницы между OLAP и OLTP системами в этой СУБД не существует.

Анализ данных – процедура работы с данными сложной структуры. В результате работы устанавливается статистическая закономерность исследования, принимается управляющее решение, осуществляется реинжиниринг (настройка параметров для совершенствования) бизнес-процесса и т.п.
Data Mining – процесс извлечения итоговых данных из «сырых данных».
Например, проанализировать документы и составить авторефераты этих работ; лингвистический анализ текста (определение авторства); сводный анализ цен и предложений (наподобие market.yandex.ru) , корреляционный анализ, определение закономерностей между данными и т.п.

Базы знаний (Knowledge Bases).
В отличие от баз данных (Data Bases), совместно с данными хранятся метаданные, описывающие суть и структуру этих данных, а также набор бизнес-правил и бизнес-логики (логических правил вывода и действий, которые система выполняет автоматически на основе этих правил).

Метаданные – это не схема данных таблиц SQL CУБД, а описание онтологии данных, модели данных предметной области (такая онтология может быть надмножеством возможностей SQL).

Логические правила хранятся в логической базе данных, реализованной например, на языке Prolog.

Хранятся не только данные, и отношения между ними, но и правила вывода новых отношений на основе старых.

База знаний связана с некоторым интеллектуальным агентом, программным роботом, который выполняет действия в информационной системе. В результате чего может измениться набор данных, набор правил, отношений. Произойдёт переоценка ситуации, и агент может выполнить другое возможное действие.
Сами по себе, как правило, базы знаний пассивны, действия выполняют агенты (программные агенты или живые люди).

Семантический веб.
Автор протокола HTTP, формата HTML Сети «старого поколения», Тим Бернерс-Ли по прошествии 8-10 лет сформулировал основные проблемы старого веба:

– это сеть, основанная на данных, без понимания смысла этих данных;

– это сеть предназначена в первую очередь для интерактивных пользователей, людей;
Отсюда – множество разнородных форматов и протоколов; проблемы несовместимости браузеров; слишком «интерактивный» веб, с множеством рекламы и анимаций. Всё в целом это затрудняет работу непосредственно с информацией, отвлекает внимание, делает браузеры и информационные системы на основе Сети слишком усложнёнными.
Для решения проблемы предлагалось добавить к старым форматам, HTML, XML и XHTML аннотации данных. Данные могли храниться в XML формате, и содержать ссылку на онтологию данных, которая в свою очередь – ссылку на стандартизированную онтологию одной из предметных областей, и так далее.
В итоге, сохраняя совместимость со старым вебом, за счёт добавления метаданных данные стали самоописывамы, связаны ссылками в общую онтологию.
В результате упростилось написание программных агентов: им уже не обязательно было выполнять Data Mining, чтобы извлечь «сырые данные» из закрытых, не совместимых между собой форматов; только саму целевую функцию и действия.

Пример применения технологии Semantic Web.

Автор описывает следующий пример: допустим, Иванов едет в командировку, хочет взять билет на самолёт, забронировать номер в гостинице, лететь обратным рейсом по окончанию командировки. Сейчас ему для выполнения этих действий нужно вручную проанализировать несколько различных, не связанных между собой сайтов: авиакомпаний, выяснить оптимальную цену на билеты; гостиниц, или съёмных квартир, выяснить оптимальную цену на жильё; согласовать календарь и график поездки.

Всё это сейчас Иванов должен сделать вручную, возможно задействуя поисковые системы или DeepWeb запросы к разным СУБД на разных сайтах; проанализировать вручную, принять решение; перезапустить процедуру заново если условия изменились.

Не факт, что Иванов найдёт более оптимальное решение – например, посредников, которых сложно найти на 20 странице поисковой выдачи.

Другой вариант, семантическая Сеть.

Иванов ставит задачу своему программному агенту, представляющему собой «личность Иванова в Сети»: «я буду в командировке с 10 по 20 сентября, найди билет рейсом Москва-Ростов туда и обратно и место в гостинице или лучше съёмной квартире на это время. Стоимость билета с проживанием должна составить не больше 15000 рублей»

В результате:

Агент («Аватар») видит, что задача сформулирована на естественном языке (ЕЯ) и требует формулировку задачи в понятном ему, машинно-читаемом виде у другого программного агента, NLP анализатора.
NLP анализатор выполняет синтаксический разбор предложения, и видит:
1. Тип: командировка
2. Срок: с 10 по 20 сентября сего года, ДлительностьСрока: 10 дней.
3. Города РейсНазначения, РейсОтправления.
4. ВариантБилета: туда и обратно
5. СтоимостьБилета - ?
6. ВариантМеста: квартира или гостиница, гостиница – более предпочтительный вариант.
7. СтоимостьПроживания – ?
8. Ограничения по стоимости: СтоимостьПроживания + СтоимостьБилета <= 15000 руб.
NLP анализатор записывает разобранную им информацию в базу знаний, а сроки командировки – в Календарь.
Подсистема «Бизнес-правил», компонент агента «Аватар» видит цели и исходные данные, выполняет правила вывода.
Правило вывода показателей: найди оптимальное предложение.
Аватар контактирует с другими программными агентами авиакомпаний, гостиниц, сайта рынка аренды жилья и посредников. Посредники – программные агенты, целевой функцией которых является поиск оптимальных предложений (для этого они готовы предоставить более выгодные скидки), от чего зависят комиссионные и репутация агента-посредника.
Аватар «договаривается» с программными агентами; найден оптимальный вариант;
Аватар договорился с агентом банка Иванова, платёжными системами и выставил Иванову счёт в автоматическом режиме.
Иванову пришла SMS-ка с оповещением; он разрешил платёж.
Сделка состоялась, все программные агенты заработали себе репутацию и хозяину агента – деньги.

Если начальник Иванова вдруг перепланирует командировку с 15 на 25-е, или авиарейс отменят – программные агенты получат автоматическое оповещение и вся процедура пройдёт заново, с согласованием и утверждением у Иванова.

Семантические вики.

Технология вики, применяющаяся, в частности, в Википедии значительно упростила процедуру редактирования и публикации материалов на сайте самими пользователями, по сравнению с ручным редактированием веб-мастером или CMS системами.

Наблюдаются примеры успешного применения вики-технологии в качестве баз знаний, в том числе, и корпоративных баз знаний фирмы.

Как пример, см. компанию CUSTIS, «Корпоративные информационные системы»: вики (МедиаВики, та же, что и в Википедии) применяется для:

Организации блога;
Планирования презентаций и семинаров, докладов – как внутри, как и вовне фирмы;
Организации видео-архива (вебинаров, видеозаписи докладов с семинарами)
Документирования информации по проектам
Документирования разрабатываемых ИС
Генерации отчётов в PDF виде

Вот что примерно представляет собой «база знаний корпорации», версия 1.0.

Тем не менее, в обычной, не семантической вики остаётся та же проблема: в системе хранятся данные о знаниях, а не сами знания (в активном виде, то есть, доступном для работы программных агентов, например).

Эту базу знаний хотелось бы сделать «активной», то есть доступной для работы автономных программных агентов.

Технологии семантической вики позволяют это сделать.

В семантической вики помимо обычных ссылок, существует несколько типов ссылок. Каждая ссылка получает предписанное ей отношение в определённой онтологии.

Отношения, субъекты и объекты онтологии редактируются тоже по вики-технологиям, в облегчённой разметке. Это позволяет гибко переорганизовывать структуру онтологии.

Совместно с данными вики-системы хранятся и метаданные (субъекты, объекты и отношения).

По составленным в семантической вики описаниям система способна автоматически сгенерировать требуемые модели в требуемой онтологии, возможно в другом чем в вики формате. А также сгенерировать экранные формы для браузера (с заданными субъектами и объектами).

Примеры применения семантической вики.

Генерация модели бизнес-процесса. В семантической вики «в свободной форме» задаётся описание процесса, при этом аннотируются специальные виды отношений: вход, выход, управление, механизм (или элементы блок-схемы процесса). Семантическая вики самостоятельно заполняет онтологии, субъекты и объекты согласно заданным онтологиям (то есть, если модель IDEF0, вики понимает и различает по типу допустимые входные данные процесса от механизма процесса).

На выходе генерируется BPML модель процесса, пригодная для исполнения какой-либо BPM системой (например, Runa/WFE).

Разработка требований приложения. Имеются возможно противоречивый, неполный набор требований заказчика, требуется составить техническое задание. См. процесс управления требованиями.

Для этого требуется:

– составить список требований

– составить список вариантов сценариев использования

– предложить архитектурное описание решения

– составить матрицу прослеживаемости требований

– отслеживать процессы проектирования, разработки, тестирования

– перепланировать требования по необходимости

Кроме того, существуют обязательные нормативные требования, технические требования, функциональные и нефункциональные (к производительности, удобство использования) требования.

Организация процесса разработки над программным проектом. Методика, такая как RUP содержит ряд обязательных шагов, обязательных артефактов (результатов выполнения какого-либо шага), обязательных действий. Эти вещи хотелось бы запрограммировать в информационной системе, для исполнения бизнес-процессов программными агентами.

Перевод технической документации на другой язык, с NLP технологиями.

Разработка обучающих курсов. Проект GNOWSYS.

Приведены примеры реально разработанных систем и применений, не гипотетические варианты.

Смотрите публикации по темам «семантический веб», «семантические вики» – например, на сайте университета Дрездена.

Системы Issue Tracking и управления проектом.

Системы отслеживания ошибок (bug tracking), или управления запросами на изменение (issue tracking). Примеры систем: JIRA, Confluence, TrackStudio, Trac, RedMine, RequestTracker, Mantis, BugZilla.

Позволяют внести в систему описание проблемы (обнаруженную ошибку, заявку на доработку функциональности). Проблеме присваивается статус, она «открывается». В дальнейшем командой (постановщик задач, разработчик, тестировщик, менеджер разработки) осуществляется продвижение этой проблемы по её жизненному циклу:

– открыта

– так, ошибка может воспроизводиться или не воспроизводиться (закрыта, если не воспроизводится с пометкой ЖЦ NOT_REPRO)

– быть переназначенной другому исполнителю

– исправлена (либо закрыта, если «не будем исправлять» с пометкой WONTFIX);

– проверена

– исправление принято заказчиком

– закрыта

Большинство систем позволяют гибко задавать модель процессов, и модель этапов жизненного цикла, адаптируя под управление и отслеживание не только ошибками, но и чем угодно.

Управление проектом на основе issue tracking.

Управление проектом предполагает планирование заранее, issue tracking – скорее реагирование. Обычно управление проектом выполняется в несколько стадий:

планирование проекта проекта (предварительный план проекта);
отслеживание исполнения и анализ критического пути;
перепланирование при необходимости: переназначение ресурсов, сроков, трудоёмкости чтобы новый, более оптимальный план проекта получился за счёт перепланирования работ, лежащих на критическом пути;

В этапах 1 и 3 полезна методика PERT оценки вероятного времени завершения проекта реализованная, в частности, в MS Project. Другой вариант оценки состояния дел, общей картины, проблем с планированием и с ресурсами: программный продукт ProjectsProfiler.

Очевидно, что issue tracking наиболее полезен на 2 этапе. Тем не менее, для простых проектов (учебных проектов программирования), при несложных операциях перепланирования может оказаться достаточно возможностей какой-либо простой системы вроде RedMine. RedMine позволяет задать набор контрольных точек (milestones) проекта, сформировать диаграммы Гантта, назначать и переназначать задачи, отслеживать исполнение.

В простых случаях может быть достаточно для управления проектом системы TaskJuggler: cм. применение на http://orgmode.org/worg/org-tutorials/org-taskjuggler.html

и отслеживание исполнения задач и хронометража времени на задачу в org-mode в виде простого списка задач типа To-Do List http://habrahabr.ru/post/63424/

Лекция 7

Методы исследования

Не только результат исследования, но и путь, ведущий к нему должен быть истинным. Метод - это совокупность правил поведения и требований к деятельности, сформулированных на основе знаний о свойствах объективной реальности.

Существуют различные типы классификации методов, в совокупности образующих методологию, которая понимается и как система принципов и способов организации и построения теоретической и практической деятельности, и как учение об этой системе [Новиков, методология 4].

Классификация методов обычно проводится по двум основаниям:

1 2 3 4 5 6 7 8 9 10 11

	Кафедра фармации Органические лекарственные препараты. Ароматические... Органические лекарственные препараты. Ароматические соединения. Краткий конспект лекций – Нижний Новгород: Изд-во Нижегородской государственной...		Конспект лекций Ш 39 Метрология, стандартизация, сертификация: Конспект лекций / О. А. Шейфель; Кемеровский технологический институт пищевой промышленности....
	Краткий курс лекций Производственная безопасность. Часть 3 Пламя возникает в результате сложного взаимодействия химических и физических процессов		Конспект лекций (Гилевский Ю. Х.) по высшей геодезии за 3 курс обучения... Конспект лекций (Гилевский Ю. Х.) по высшей геодезии за 3 курс обучения в Санкт-Петербургском техникуме Геодезии и картографии. Примерно...
	Конспект лекций для студентов всех форм обучения специальности 080110... Налоги и налогообложение: Конспект лекций / Составитель Н. А. Леончик. – Кемерово, 2006. – 80 с		Технические средства автоматизации конспект лекций Конспект лекций предназначен для студентов дневной, вечерней, заочной и дистанционной форм обучения по специальности 220301 «Автоматизация...
	Курс лекций ббк20. 1 я7 к 17 Калыгин В. Г К а л ы г и н В. Г. Промышленная экология. Курс лекций. М.: Изд-во мнэпу, 2000. 240 с		Краткий курс лекций по дисциплине «безопасность жизнедеятельности»... Загрязнение продуктов питания примесями, мигрирующими из оборудования, инвентаря, тары и упаковочных материалов
	Конспект лекций Владимир 2010 Министерство образования Российской... Автоматизированные системы бухгалтерского и управленческого учета. Часть 1: Конспект лекций / Владим гос ун-т; Сост.: Д. Н. Васильев...		Конспект лекций лаконично раскрывает содержание и структуру учебной... Безопасность жизнедеятельности : конспект лекций для студентов очной и заочной форм обучения / сост. В. М. Домашко; Южный федеральный...
	Курс лекций по дисциплине: «Санитария и гигиена» 2015г Курс лекций предназначен для изучения дисциплины «Санитария и гигиена» обучающимися 1 курса специальности «Парикмахер»		Курс лекций, прочитанный для студентов Московской Духовной Академии «Духовная Библиотека» Когда я по благословению церковных властей читал курс лекций в Академии, то не предполагал, что они когда-нибудь будут изданы
	Курс лекций по дисциплине оп. 13 «автомобильные эксплуатационные материалы» 2016 г Курс лекций содержит основные сведения по производству и применению автомобильных эксплуатационных материалов. В данном курсе рассмотрены...		Полный курс лекций по русской истории Петроград. 5 Августа 1917 г Печатный источник: С. Ф. Платонов. Полный курс лекций по русской истории. Издание 10-е
	Курс-конспект лекций и контрольные задания Рига 2006. Методическое... Современная психодиагностика определяется как психологическая дисциплина, разрабатывающая методы выявления и изучения индивидуально...		Конспект лекций по дисциплине Общий курс железных дорог Функционирование железнодорожного транспорта осуществляется, исходя из следующих принципов: устойчивость его работы; доступность,...

Конспект лекций Краткий курс

Похожие: