Разработка алгоритма и программного средства на основе Data mining
ВВЕДЕНИЕ
Актуальность работы. В настоящее время распространена практика обмена данными между организациями в процессе делового сотрудничества. Аналитиками могут использоваться различные методы Data mining для извлечения полезной информации из данных, полученных от партнеров. Однако, несмотря на все преимущества для бизнеса, такой анализ может представлять угрозу раскрытия конфиденциальных сведений посторонним лицам, например критически важной информации, обеспечивающей конкурентное преимущество организации. В таком случае существует необходимость защиты не только самой информации, но также и некоторых данных, полученных в результате анализа.
Для мониторинга предприятия можно использовать различные инструменты, включая системы управления данными, аналитические платформы, дашборды и отчеты, автоматизированные системы уведомлений и др. Важно разработать соответствующие показатели и метрики для каждого аспекта мониторинга.
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. ОБЗОР МЕТОДОВ И АЛГОРИТМОВ DATA MINING ДЛЯ МОНИТОРИНГА ПРЕДПРИЯТИЯ.
1.1 Задачи Data mining
1.2. Поиск ассоциативных правил в бизнесе
1.3. Методы и алгоритмы поиска ассоциативных правил.
1.4. Кластерный анализ
1.5. Методы кластерного анализа
1.6. Построение регрессионной модели
Выводы по главе 1
ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМОВ ДЛЯ МОНИТОРИНГА ПРЕДПРИЯТИЙ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ DATA MINING.
2.1. Процесс мониторинга предприятий
2.2. Программные обеспечения, применяемые для мониторинга предприятия
2.3. Разработка алгоритма для решения задачи поиска ассоциативных правил для стимулирования продаж
2.4. Алгоритм кластерного анализа для группировки товаров
2.5. Алгоритм построение регрессионной модели для прогнозирования продаж
Выводы по главе 2
ГЛАВА 3. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ МОНИТОРИНГА ПРЕДПРИЯТИЙ НА ОСНОВЕ DATA MINING.
3.1. О возможностях для разработки программного обеспечения в Python
3.2. Мониторинг предприятия как инструмент устойчивого развития организации
3.3 Разработка программного средства для мониторинга предприятий с помощью Python
Выводы по главе 3
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ЛИТЕРАТУР
ПРИЛОЖЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ЛИТЕРАТУРЫ
Об утверждении стратегии «Цифровой Узбекистан-2030» и мерах по ее эффективной реализации. Указ Президента Республики Узбекистан, от 06.10.2020 г. № УП-6079.
Об организационных мерах по сокращению теневой экономики и повышению эффективности деятельности налоговых органов. Указ Президента Республики Узбекистан, от 31.10.2020 г. № УП-6098.
Data Mining Tutorial. https://www.javatpoint.com/data-miningАмблер Т. Практический маркетинг. – СПб.: Питер, 2017. – 149 с.
Никишкин В.В., Мазов М.С. Маркетинговый мониторинг как система повышения конкурентоспособности предприятия – М.: Вестник Российской экономической академии имени Г.В. Плеханова, 2018. – 15 с.
Сорокина Т.И. Продажи в цифрах: планирование, мониторинг, контроль. – М.: 1С-Паблишинг, 2019. – 234 с.
DICOM Library. https://www.dicomlibrary.com/dicom/dicom-tags/
Мокшин, В. В. Рекурсивный алгоритм построения регрессионных моделей сложных вероятностных объектов / В. В.Мокшин, И. Р. Сайфудинов, А. П. Кирпичников // Вестник Технологического университета. – 2017. – № 9. – С. 112-116.
Bradley, P., Fayyad, U., Reina, C. Scaling Clustering Algorithms to Large Databases, Proc. 4th Int'l Conf. Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, Calif., 1998.
Zhang, T., Ramakrishnan, R., Livny, M. Birch: An Efficient Data Clustering Method for Large Databases, Proc. ACM SIGMOD Int’l Conf. Management of Data, ACM Press, New York, 1996.
Paul S. Bradley, Usama M. Fayyad, Cory A. Reina Scaling EM (Expectation-Maximization) Clustering to Large Databases, Microsoft Research, 1999.
Z. Huang. Clustering large data sets with mixed numeric and categorical values. In The First Pacific-Asia Conference on Knowledge Discovery and Data Mining, 1997.
Milenova, B., Campos, M. Clustering large databases with numeric and nominal values using orthogonal projections, Oracle Data Mining Technologies, 2002.
Data mining (рус. добыча данных, Data mining, глубинный анализ данных) — собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Термин введён Григорием Пятецким-Шапиро в 1989 году.[1]Задачи Data mining предназначены для полуавтоматического или полностью автоматического выполнения на больших наборах данных для выявления закономерностей, таких как группы или кластеры, необычных или чрезмерных данных, называемых обнаружением аномалий, и зависимостей, таких как ассоциации и последовательные закономерности. Как только шаблоны обнаружены, их можно рассматривать как сводку входных данных, а дальнейший анализ можно проводить с использованием машинного обучения и прогнозной аналитики [2]. Например, этап Data mining может помочь определить несколько групп в данных, которые может использовать система поддержки принятия решений.Существует много путаницы между интеллектуальным анализом данных и анализом данных. Функции Data mining используются для определения тенденций или корреляций, содержащихся в действиях Data mining. В то время как анализ данных используется для тестирования статистических моделей, которые соответствуют набору данных, например, анализ маркетинговой кампании, Data mining использует машинное обучение и математические и статистические модели для обнаружения закономерностей, скрытых в данных. Задачи, решаемые методами data mining, принято разделять на описательные (англ. descriptive) и предсказательные (англ. predictive)