Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии»



Скачать 130.79 Kb.
Дата08.05.2013
Размер130.79 Kb.
ТипПрограмма


Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«Тверской государственный университет»

«УТВЕРЖДАЮ»

Декан факультета ПМиК

_____________А.В.Язенин

_____________г.

ПРОГРАММА ИТОГОВОГО ЭКЗАМЕНА ПО НАПРАВЛЕНИЮ
Направление – 010400.68 «Информационные технологии»

Магистерская программа – «Информационные технологии в управлении и принятии решений»


Тверь – 2010 г.

МАТЕМАТИЧЕСКИЕ ОСНОВЫ НЕЧЕТКИХ СИСТЕМ


  1. Монотонные функции множества, как основа конструирования нечетких мер.

  2. Предельные меры неопределенности: возможность и необходимость.

  3. Свойства мер возможности и необходимости

  4. Возможностная (необходимостная) величина и ее функция распределения. Свойства функции распределения.

  5. Замкнутые семейства возможностных величин относительно аддитивных операций.

  6. Функции нечетких величин.

  7. Четкие отношения между нечеткими величинами.

  8. Нечеткие отношения между нечеткими величинами.

  9. T-нормы, как математический аппарат для агрегирования возможностной информации и их свойства.

  10. T-суммы нечетких величин для слабой T-нормы.

  11. Генетические алгоритмы для решения задач оптимизации.

  12. Постановки задач возможностного программирования и принципы принятия решений в условиях возможностной информации.

  13. Задача максимизации возможности достижения нечеткой цели при построчных ограничениях по возможности (случай отношения равенства).

  14. Задача максимизации возможности достижения нечеткой цели при построчных ограничениях по возможности (случай отношения неравенства).

  15. Задача уровневой оптимизации (максимаксная модель) в случае меры возможности и отношений равенства и неравенства.

  16. Модели и методы необходимостной оптимизации.

  17. Возможностно-необходимостная оптимизация в случае Tw нормы.

  18. Сравнительное изучение детерминированных аналогов задачах возможностной и необходимостной оптимизации в случае сильной и слабой T-норм.

  19. Методы решения задач возможностного программирования в нечетких отношениях.

  20. Нечеткие случайные величины. Основные понятия. Ожидаемое значение нечеткой случайной величины.

  21. Сдвиг масштабное представление нечетких случайных величин.

  22. Исчисление моментов второго порядка нечетких случайных величин при сдвиг масштабном представлении.

  23. Параметризованные распределения возможностей со случайными параметроми.

  24. Исчисление моментов второго порядка нечетких случайных велич в классах параметризованных распределений.

  25. Ожидаемое значение и дисперсия взвешенной суммы нечетких случайных величин при различных представлениях.


  26. Применение нечетких случайных переменных в портфельном анализе. Ожидаемая доходность и риск портфеля в условиях нечетких случайных данных и различных представлениях нечетких случайных величин.

  27. Принципы принятия решений в условии нечетких случайных данных.

  28. Портфель минимального риска в условии нечетких случайных данных.

  29. Построение эквивалентных детерминированных аналогов портфеля минимального риска при различных принципах принятия решения.

  30. Нечеткие бинарные отношения.

  31. Нечеткое подмножество недоминируемых решений.

  32. Прямые методы возможностного программирования. Реализация прямых методов возможностного программирования в виде интерактивных алгоритмов. Случаи взаимосвязанных и минисвязанных нечетких целей.

  33. Решающие правила в задачах возможностного линейного программирования. Оценка матрицы решающего правила.

  34. Лингвистическая аппроксимация линейных решающих правил. Процедура нечеткого вывода.

  35. Задача векторной оптимизации. Функции скаляризации векторного критерия и их свойства.

  36. Непрямые методы многокритериальной возможностной оптимизации.

  37. Нечеткая скаляризация векторного критерия оптимизации. Свойства нечетко скаляризованной функции.

  38. Задача векторной оптимизации с нечеткими коэффициентами важности критериев. Четко недоминируемые и парето-оптимальные решения.

  39. Задача векторной оптимизации с нечеткой информацией о парных сравнениях коэффициентов важности критериев.

  40. Интелектуальный анализ данных и его применение в задачах оптимизации портфеля при гибридной (комбинированной) неопределенности - "возможность-вероятность".


Основная литература


      1. A.V.Yazenin, M.Wagenknecht/ Possibilistic Optimization. Germany, Cottbus, BTU, 1996.

      2. Д.Дюбуа. Теория возможностей Приложения к представлению знаний в информатике.М., 1990.

      3. Л.Крушвиц. Инвестиционные расчеты. ""Питер"", М.,2001.

      4. Батыршин И.З.,Недосекин А.О.,Стецко А.А., Язенин А.В. Ярушкина Н.Г. Нечеткие гибридные системы: теория и практика(монография).М., Физматлит, 208 с., 2007 г., 208 с.

      5. Ермольев Ю.М. Методы стохастического программирования, М.: Наука, 1976.



Дополнительная литература

  1. Язенин А.В., Рыбкин В.А. О сильной устойчивости в задачах возможностной оптимизации//Изв. РАН, Теория и системы управления, №2, 2000, с.90-95

  2. Язенин А.В., М.Ю.Хохлов. Расчет числовых характеристик нечетких случайных величин // Вестник ТвГУ №2, Серия "Прикладная математика", Выпуск №1, 2003, с.39-43

  3. Р.Н.Гордеев, Язенин А.В. Метод решения одной задачи возможностного программирования//Известия РАН. Теория и системы управления,2006, №3, с.112-119

  4. Язенин А.В., Солдатенко И.С. Задача возможностной оптимизации с взаимно t-связанными параметрами: сравнительное изучение // Известия РАН. Теория и системы управления, 2008, №5, с.87-98.

  5. Язенин А.В., Солдатенко И.С., Пильщиков Д.Е. О методе решения одной задачи необходимостной оптимизации // Вестник ТвГУ. Серия "Прикладная математика", 2008,№26(86), Вып.3(10), с.109-119

  6. Язенин А.В., Шефова Н.А. Об одной возможностно- вероятностной модели портфеля минимального риска // Вестник ТвГУ. Серия "Прикладная математика", 2010, №14, с.85-96.



ПАРАЛЛЕЛЬНОЕ ПРОГРАММИРОВАНИЕ


  1. Введение. Критерии оценки производительности параллельного алгоритма. Закон Амдала.

  2. Рекуррентные формулы.

    1. Вычисление частичных сумм последовательности числовых значений.

    2. Последовательная сумма.

    3. Каскадная схема суммирования.

    4. Алгоритм сдваивания.

    5. Оценка производительности.

  1. Параллельные алгоритмы вычисления определенных интегралов.

    1. Метод Монте-Карло.

    2. Метод трапеций.

    3. Метод прямоугольников.

    4. Метод Симпсона.

  1. Умножение матрицы на вектор. Умножение матрицы на матрицу.

    1. Параллельные алгоритмы умножения матриц

    2. Определение производительности методов

    3. Практическая реализация

  1. Библиотека параллельных вычислений pthreads.

    1. Правила компиляции программ

    2. Функции создания потока

    3. Механизмы синхронизации

    4. Работа с общими данными

  1. Библиотека параллельных вычислений OpenMP.

    1. Принцип распараллеливания с использованием OpenMP. Инструкция pragma omp.

    2. Определение количества и номера потока

    3. Распараллеливание циклов. Инструкция pragma omp for.

  1. Библиотека параллельных вычислений MPI.

    1. Конфигурирование вычислительного кластера на базе ОС Linux

    2. Установка и настройка библиотеки MPICH

    3. Понятие коммуникатора. Принципы распараллеливания.

    4. Взаимодействие между отдельными процессами

    5. Примеры параллельных алгоритмов на MPI



Литература
1. Хокни, Джесхоуп. Параллельные ЭВМ. М.: Радио и связь, 1986.

2. Ортега Дж. Введение в параллельные и векторные методы решения линейных систем. М.: Мир, 1991.

3. Фадеева В.Н., Фадеев Д.К. Параллельные вычисления в линейной алгебре.

4. Воеводин В.В. Математические модели и методы в параллельных процессах. М.: Наука, 1986.

5. Алгоритмы, математическое обеспечение и архитектура многопроцессорных вычислительных систем

6. Гергель В.П., Стронгин Р.Г. Основы параллельных вычислений для многопроцессорных вычислительных систем. Нижний Новгород: ННГУ, 2002. 122с.

7. Воеводин В.В., Воеводин Вл. В. Параллельные вычисления. -СПб: БХВ -Петербург, 2002. -608 с.
МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ


  1. Уравнения оптимальности Беллмана.

  2. Оценка функции ценности состояний методом динамического программирования

  3. Оценка функции ценности действий методом динамического программирования

  4. Оценка функции ценности состояний методом Монте-Карло

  5. Управление методом Монте-Карло: оценка текущей стратегии.

  6. Управление методом Монте-Карло: оценка стратегии, отличающейся от текущей.

  7. Оценка функции ценности состояний методом временных разностей.

  8. Управление методом временных разностей: алгоритм SARSA.

  9. Управление методом временных разностей: оценка стратегии, отличающейся от текущей.

  10. Оценка функции ценности состояний методом TD(лямбда).

  11. Управление с использованием алгоритма Sarsa(лямбда).


Литература
1. Саймон Хайкин. Нейронные сети. Полный курс (Neural Networks: A Comprehensive Foundation), Издательство: Вильямс, 2006 г., 1104 стр.

2. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2001. -382 с.

3. Рутковская, Данута, Пилиньковкий, Мачей, Рутковский, Лешек, Рудинский, И. Д., Журада, Яцек. Нейронные сети, генетические алгоритмы и нечеткие системы, М.: Горячая линия-Телеком, 2004. -383 с.

АЛГЕБРАИЧЕСКИЕ ОСНОВАНИЯ ТЕОРИИ КОДИРОВАНИЯ
Алгебра
1. Алгебраические операции. Алгебры заданной сигнатуры. Примеры.

2. Правила действий со степенями в полугруппах и группах.

3. Циклические моноиды.

4. Правила сокращения.

5. Группы. Различные определения и их эквивалентность.

6. Порядок элемента. Циклические группы.

7. Смежные классы. Нормальные подгруппы. Фактор-группы.

8. Теорема Лагранжа и её следствия.

9. Ядра гомоморфизмов групп.

10. Кольца. Делители нуля.

11. Поля и области целостности.

12. Теорема о том, что конечная область целостности является полем.

13. Идеалы в кольцах. Кольца главных идеалов.

14. Простые и максимальные идеалы.

15. Фактор-кольца. Гомоморфизмы колец.

16. Многочлены над полем. Алгоритм Евклида.

17. Теорема о том, что кольцо многочленов над полем является кольцом главных идеалов.

18. Теорема Безу и следствия из неё.

19. Неприводимые многочлены. Фактор-кольцо по идеалу, порождённому неприводимым многочленом.

20. Теорема о существовании элемента порядка pq в абелевой группе и следствия из неё.

21. Теорема о том, что мультипликативная группа каждого конечного поля является циклической.

22. Векторные пространства над полем.
Кодирование
1. Линейное кодирование. Теоремы об исправлении ошибок и об обнаружении ошибок.

2. Матричное кодирование. Лидеры классов. Декодирование.

3. Проверочные матрицы.

4. Условие на проверочную матрицу, гарантирующее обнаружение (d-1) ошибки.

5. Коды Хемминга.

6. Полиномиальные коды.

7. Задание полиномиального кода матрицей.

8. Теорема о связи делимости многочлена, задающего кодирование, с чётностью каждого кода.

9. Теоремы о минимальном расстоянии между кодами.

10. Коды Боуза-Чоудхури- Хоккенгейма.
Литература
Г.Биркгоф, Т.Барти. Современная прикладная алгебра: Учебное пособие для вузов (пер. с англ. Манина Ю.И.) Изд. 2-е, стереотип. Изд-во: Лань, 2005, 400 с.

МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ


  1. Методы обнаружения разрывов яркости

    1. Обнаружение точек

    2. Обнаружение линий

1.3 Обнаружение перепадов яркости

1.4 Обнаружение и устранение дефектов на изображении

2.Связывание контуров и нахождение границ

2.1 Локальные методы связывания

2.2 Глобальный метод связывания на основе преобразования Хафа

2.3 Глобальный метод связывания на основе теории графов

3.Сегментация изображений

3.1 Пороговая обработка с использованием гистограммы изображения

3.2 Выращивание областей

3.3 Сегментация методом водораздела

3.4 Разделение и слияние областей методом квадрадерева

4.Анализ движения при сегментации

4.1 Компенсация движения в видеоряде

4.2 Методы вычитания фона в видеоряде
Литература


  1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. -М.:Техносфера, 2005.-1072 с.

  2. Р. Гонсалес, Р.Вудс, С. Эддинс. Цифровая обработка изображений в среде MATLAB. -М.: Техносфера, 2006.-615с.

  3. Цифровая обработка изображений. У. Претт. Мир. 1982

  4. Компьютерная обработка и распознавание изображений. Фисенко В.Т. и Фисенко Е.Ю. Учебное пособие 2008.



ПРИМЕНЕНИЕ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В СИСТЕМАХ ПОДГОТОВКИ ПРИНЯТИЯ РЕШЕНИЙ


  1. Предмет и задачи курса. Анализ данных в современных компьютерных технологиях. Интеллектуальный анализ данных.

  2. Основные концепции баз данных. Модель данных. СУБД.

  3. Введение в OLAP и многомерные базы данных. Проектирование базы данных для оперативной аналитической обработки данных.

  4. Порядок и особенности построения хранилищ данных. Разработка приложений для оперативной аналитической обработки данных.

  5. Что такое интеллектуальный анализ данных (Data Mining)? Информация и знания. Особенности использования данных в Data Mining.

  6. Подготовка данных для анализа. Обработка пропущенных и недостающих данных. Анализ исключений, обработка выбросов.

  7. Стадии и методы Data Mining. Начальные этапы анализа. Вычисление и анализ показателей описательной статистики.

  8. Построение и использование моделей для интеллектуального анализа данных.

  9. Решение задач Data Mining. Классификация. Кластеризация. Анализ временных рядов. Обработка экспертных оценок.

  10. Комплексный подход к внедрению Data Mining, OLAP и хранилищ данных в СППР.


Литература
1. Барсегян А.А. И др. Технологии анализа данных: Data Mining, Visual Mining, OLAP: учебное пособие. - СПб: БХВ-Петербург, 2007. - 375 с.

2. Чубукова И. А. Data Mining: учебное пособие, М: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. -384 с.

3. Кричевский М.Л. Интеллектуальный анализ данных в менеджменте: Учебное пособие. - СПб.: ГУАП, 2005. - 208 с.

НЕЧЕТКИЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ


  1. Нечёткие отношения: свойства и основные операции.

  2. Нечёткие и лингвистические переменные. Понятие невзаимодействующих переменных.

  3. Булевы лингвистические переменные. Вычисление смысла.

  4. Нечёткая импликация и нечёткий логический вывод.

  5. Теорема о нечёткой аппроксимации.

  6. Машины нечёткого вывода Мамдани.

  7. Машины нечёткого вывода Сугено.

  8. Алгоритмы дефаззификации.

  9. Оптимизация с использованием генетических алгоритмов.

  10. Автоматическое создание лингвистических переменных.

  11. Автоматическое проектирование баз знаний для нечётких систем управления.

  12. Общие постановки задач стохастического программирования.

  13. Стохастические квазиградиентные методы оптимизации систем.

  14. Методы случайного поиска.

  15. Прямые методы стохастического программирования.


Основная литература


  1. Рутковская Д., Пилиньский М., Рутковский Л., Нейронные сети, генетические алгоритмы и нечёткие системы. М., Горячая Линия-Телеком, 2007.

  2. Л. Заде. Понятие лингвистической переменной и его применение к принятию приближенных решений., М.: Наука, 1976.

  3. Ермольев Ю.М. Методы стохастического программирования, М.: Наука, 1976.


Дополнительная литература


  1. Nguyen H.T., Walker E.A., Walker E. First Course in Fuzzy Logic. Third Edition. Chapman&Hall/CRC, 2006.

  2. Панфилов С. А. Методы и программный комплекс моделирования алгоритмов управления нелинейными динамическими системами на основе мягких вычислений. Диссертация на соискание ученой степени кандидата технических наук. Тверь, 2005.


ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ
1. Системы поддержки принятия решений.

1.1. Основные понятия.

1.2. Задачи систем поддержки принятия решений.

1.3. База данных как основа систем поддержки принятия решений.

1.4. Архитектура систем поддержки принятия решений.

2. Хранилище данных.

2.1. Концепция хранилища данных.

2.2. Организация хранилища данных.

2.3. Концепция хранилища данных и анализ.

3. OLAP-системы.

3.1. Многомерная модель данных.

3.2. Определение OLAP-систем, основные понятия.

3.3. Концептуальное многомерное представление.

3.4. Архитектура OLAP-систем.

4. Интеллектуальный анализ данных.

4.1. Основные понятия интеллектуального анализа данных

4.2. Задачи интеллектуального анализа данных.

4.3. Область практического применения интеллектуального анализа данных.

4.4. Модели и методы интеллектуального анализа данных.

5. Задача классификации и регрессии.

5.1. Постановка задачи классификации и регрессии.

5.2. Методы (алгоритмы) решения задачи классификации и регрессии.

5.3. Представление результатов в задаче классификации и регрессии.

6. Задача поиска ассоциативных правил.

6.1. Постановка задачи поиска ассоциативных правил.

6.2. Методы (алгоритмы) решения задачи поиска ассоциативных правил.

6.3. Представление результатов в задаче поиска ассоциативных правил.

7. Задача кластеризации.

7.1. Постановка задачи кластеризации.

7.2. Методы (алгоритмы) решения задачи кластеризации.

7.3. Представление результатов в задаче кластеризации.

8. Визуальный анализ данных.

8.1. Выполнение визуального анализа данных.

8.2. Характеристика средств визуализации данных.

8.3. Методы визуализации.

9. Анализ текстовой информации.

9.1. Задача анализа текстов.

9.2. Извлечение ключевых понятий из текста.

9.3. Классификация текстовых документов.

9.4. Методы кластеризации текстовых документов.

9.5. Средства анализа текстовой информации.
Литература


  1. А.А.Барсегян, М.С.Куприянов, В.В.Степаненко, И.И.Холод, Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP, СПб.: БХВ-Петербург, 2008.

  2. Дюк В.А., Самойленко А.П., Data Mining: учебный курс, СПб: Питер, 2001.

  3. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям, СПб: Питер, 2009.

  4. Чубукова И. А. Data Mining: учебное пособие, М: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006.



Похожие:

Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconРабочая программа трудоемкость дисциплины 6 зачетных единиц направление 010400 информационные технологии томск 2010
Требования к уровню освоения дисциплины – владение методами математического анализа
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconРабочая программа трудоемкость дисциплины 4 зачетные единицы направление 010400 информационные технологии томск 2010
Цель курса – формирование основ знаний по теории информации, принципам кодирования, изучение важнейших алгоритмов в этой области
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconПрограмма: «Математика и информационные технологии»
Программа предназначена для подготовки к вступительному собеседованию в магистратуру математического факультета по направлению «Педагогическое...
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconПрограмма вступительных испытаний (экзамена) для поступления в магистратуру по направлению 230201. 68 – «Информационные системы и технологии» в 2012г. Процедура проведения вступительных испытаний в магистратуру
Для объективной оценки усвоения материала контроль­ные вопросы отражают содержание основных разделов дисциплин направления бакалавриата...
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconПрограмма вступительного экзамена в магистратуру по направлению «математика», магистерские программы
«комплексный анализ», «теория функций и информационные технологии», «уравнения в частных производных», «функциональный анализ»
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconРабочая программа дисциплины Прикладная статистика Направление подготовки 010400 Прикладная математики и информатика
Учебная дисциплина «Прикладная статистика» относится к вариативной части профессионального цикла (Б. 3) по направлению 010400 «Прикладная...
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconПрограмма итогового экзамена по дисциплине «Теория государства и права» для студентов направления 030500. 62
Целью итогового экзамена является установление соответствия уровня общепрофессиональной и специальной теоретической подготовки выпускников...
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconПрограмма итогового государственного экзамена по направлению 010500 «Прикладная математика и информатика»
Определение абсолютного линейного п-мерного пространства, подпространства, их базисы
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconПрограмма вступительного испытания по предмету «Информационные технологии»
Фундаментальная информатика и информационные технологии (магистерские программы: Фундаментальная информатика и информационные технологии,...
Программа итогового экзамена по направлению направление 010400. 68 «Информационные технологии» iconКурс истории информатики в магистратуре по направлению «Информационные технологии»
Доклад посвящен анализу необходимости изучения истории развития информатики и информационных технологий при подготовке ит-специалистов...
Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org