М ИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

федеральное государственное бюджетное образовательное учреждение

высшего образования

«Тольяттинский государственный университет»



(наименование института полностью)
Кафедра /департамент /центр¹ __________________________________________________

(наименование кафедры/департамента/центра полностью)
(код и наименование направления подготовки, специальности)
(направленность (профиль) / специализация)


Практическое задание № 9
по учебному курсу «_____Бизнес-аналитика и финансовое моделирование__»

(наименование учебного курса)
Вариант ____ (при наличии)

Студент	Ювкина Е.Д
	(И.О. Фамилия)
Группа	МЕНбвд-1906а
Преподаватель	Борисова Ольга Александровна
	(И.О. Фамилия)

Тольятти 2023

Практическое задание 9

Используя возможности сети Интернет изучить существующие платформы бизнес-интеллекта, описать их особенности, плюсы и минусы, результаты оформить в виде таблицы. Изучить существующие программы нейронных сетей (рассмотреть базы с примерами нейронных сетей). Выбрать 3 из них и описать особенности каждой.

Таблица 1

Сравнительный анализ платформ бизнес-интеллекта

№	Наименование платформы бизнес-интеллекта	Описание платформы	Плюсы платформы	Минусы платформы
1	Polymatica	Это аналитическая платформа для анализа больших объёмов данных в интерактивном режиме. Используется как самостоятельная система и как часть комплексного решения, обеспечивая быструю обработку данных и ad-hoc аналитику.		1.Потоковая аналитика
2	Visiology	позволяет эффективно решать задачи сбора данных, их обработки и последующей визуализации для бизнес-аналитики (BI).	1.Импорт/экспорт данных 2.Наличие API 3.Отчётность и аналитика 4.Администрирование 5.Продвинутая отчётность 6.Регулярная отчётность 7.Панели мониторинга 8.Визуализация данных 9.Многопользовательский доступ 10.Аналитика самообслуживания 11.Нерегламентированная отчётность 12.Экспорт отчётов	1.Сбалансированная система показателей (BSC)
3	Loginom	Это аналитическая low-code платформа, обеспечивающая интеграцию, очистку и анализ данных для принятия более эффективных управленческих решений.	Отчётность и аналитика Потоковая аналитика Машинное обучение Интеллектуальный анализ данных (ИАД) Анализ больших данных Индикация трендов и проблем Наличие API Коннекторы для источников данных Импорт/экспорт данных Многопользовательский доступ Визуализация данных Интерактивная аналитическая обработка (OLAP) Администрирование Статистический анализ Прогнозирование и предсказательная аналитика	Нет

---

Работу оформить в виде отчета, который должен содержать:

1) сравнительную таблицу платформ бизнес-интеллекта;

2) описание 3 понравившихся программ существующих нейронных сетей.
1. ПЕРЦПЕТРОН



Модель перцептрона (Perceptron) также известна как однослойная нейронная сеть состоит всего из двух слоев:

Входной слой (Input Layer)

Выходной слой (Output Layer)

Перцептрон принимает входные данные и вычисляет веса каждого нейрона. После этого линейная комбинация весов передается функции активации (сигмоидальная функция) для классификации.

Перцептрон является первой моделью нейронных сетей. Добавление скрытых слоев сделает из модели многослойный перцептрон.

2. СЕТЬ ПРЯМОГО РАСПРОСТРАНЕНИЯ (FF)


Сеть прямого распространения (Feed Forward) — это искусственная нейронная сеть, в которой нейроны никогда не образуют цикла. В этой нейронной сети все нейроны расположены в слоях, где входной слой принимает исходные данные, а выходной слой генерирует результат в заданном виде. Помимо входного и выходного слоев, есть еще скрытые слои — это слои, которые не имеют связи с внешним миром. В нейронной сети прямого распространения каждый нейрон одного слоя связан с каждым нейроном на следующем слое. Слои с такими нейронами называются полносвязными (fully-conected, dense).

Применение DFF и FF:

1.Сжатие данных

2.Распознавание образов

3.Компьютерное зрение (Computer vision)

4.Распознавание речи

5.Распознавание рукописных символов
3. АВТОЭНКОДЕР



Автоэнкодер (Autoencoder) — это еще одна разновидность сетей прямого распространения. Его цель восстановить входной сигнал на выходе. Поэтому автоэнкодеры используют для нахождения общих закономерностей в данных, а также для восстановления исходных данных из сжатых.

Типичный автоэнкодер имеет скрытый слой, который является мостом между кодированием и декодированием.

Применение автоэнкодеров:

---

1.Классификация;

2.Кластеризация;

3.Сжатие данных.

---

Смотрите также файлы

• Контрольная работа Роль складирования в логистической системе Содержание курсовой работы Введение.docx

• М. М. Ахметшин 2020 г должностная инструкция.docx

• 1. Сущность маркетингового исследования 5 Маркетинговая деятельность Apple 10.docx

• Протокол 6 от 29. 08. 08 Донецк2008 удк 611 (8) ббк 28. 8я7.pdf

• Занятие 7.docx