Київський національний економічний університет імені Вадима Гетьмана

Регресійні моделі в аналізі великих даних

 

Великі дані (Big Data)в інформаційних технологіях – серія підходів, інструментів і методів обробки структурованих і неструктурованих даних величезних обсягів. 

Мета навчальної дисципліни – формування знань щодо методології та інструментарію побудови та адекватного використання регресійних моделей в обробці великих даних з застосуванням MS Excel та VBA.

Завданням дисципліниє засвоєння студентами основних принципів, методів та інструментарію щодо методів обробки великих даних з застосуванням MS Excel та VBA . Для досягнення цієї мети в процесі викладання дисципліни передбачається розв’язок таких завдань:

¾              опанування основними поняттями, термінами та визначеннями, необхідних для розуміння теорії та практики big data аналітики;

¾              розгляд основних методів побудови регресійних моделей та їх реалізація в MS Excel та VBA та висвітлення особливостей практичних аспектів їх використання.

Предметом дисципліни є методологія та інструментарій регресійного моделювання в аналізі великих даних.

Після опанування дисципліни студент повинен:

ЗНАТИ

ВМІТИ

·              сучасні методи аналізу великих даних;

·              методи побудови, аналізу та використання регресійних моделей

·              сучасні програмні продукти, які дозволяють здійснювати обробку великих даних

 

·               обробляти та аналізувати великі обсяги даних за допомогою сучасних програмних пакетів;

·               використовувати регресійні моделі з метою стиснення, обробки та аналізу великих даних;

·                здійснювати аналіз отриманих результатів, формувати та приймати на їх основі відповідні ефективні рішення.

 

Сфера реалізації набутих знань і вмінь. Моделювання є важливим інструментом, що використовується в ході проведення будь-яких аналітичних досліджень. Сьогодні сфера інтелектуальної обробки даних — одна із небагатьох галузей, де попит на фахівців суттєво перевищує пропозицію. Компанії шукають спеціалістів, спроможних знайти відповіді на низку запитань, скажімо, з’ясувати, які маркетингові ідеї працюють, а які ні; визначити, як модифікувати бізнес-процеси для того, щоб скоротити виробничі витрати; або які характеристики щойно найнятих працівників дозволять спрогнозувати, хто з них вражатиме результативністю, а хто, навпаки, розчарує неефективністю.

 

Зміст дисциплінирозкривається в темах.

1. Вступ в аналіз та управління великими даними

2.Основи управління даними. Етапи роботи з даними: збір, стиснення, збереження, обробка, аналіз.

3. Принципи побудови регресійних моделей.

4. Парна лінійна регресія.

5. Множинна лінійна регресія.

6. Нелінійні регресійні моделі.

7. Logit- та probit-моделі.

8. Фіктивні змінні в регресійних моделях.

9. Лінійний регресійний аналіз при порушенні умов Гауса-Маркова

10. Системи одночасних структурних рівнянь.

СПИСОК РЕКОМЕНДОВАНОЇ ЛІТЕРАТУРИ

 

Основналітература

1.     Kenneth Shaw. Mathematical Modeling in Business and Economics: A Data-Driven Approach. Business Expert Press, September, 2014.

2.     НаконечнийС.І., ТерещенкоТ.О., РоманюкТ.П. Економетрія: Підручник. – К.: КНЕУ, 2004. – 520 с.

3.     Walkenbach John. Excel 2013 Power Programming with VBA. John Wiley & Sons, Inc., 2013. - 1104 pages.

 

Додаткова література

1.     Вітлінський В. В., Наконечний С.І., Шарапов О.Д. та ін. Економіко-математичне моделювання: Навчальний посібник/ За заг.ред. В.В.Вітлінського. – К.: КНЕУ, 2008. – 536 с

2.     Грубер Й. Економетрія: Вступ до множинної регресії та економетрії: У 2 т.  – К: Нічлава, 1998-1999.

 

Завідувач кафедри економіко-                                            Вітлінський В.В.,

математичного моделювання                                                       д.е.н., проф.

Остання редакція: 01.05.19

Публікаціі з предмету