2025/2026





Инструментальные методы цифровой экономики
Статус:
Дисциплина общефакультетского пула
Кто читает:
Департамент математики
Где читается:
Факультет экономических наук
Когда читается:
1, 2 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Контактные часы:
56
Программа дисциплины
Аннотация
В современных условиях развития общества мы начинаем жить в условиях цифровой экономики. Поэтому каждый член общества должен обладать знаниями по основным инструментальным методам цифровой экономики. Предлагаемый курс призван восполнить пробелы в знаниях в этой области. Изучаемые теоретические модели сопровождаются многочисленными практическими применениями в самых разных отраслях цифровой экономики, от эффективности банков до улучшения эффективности торговли.
Цель освоения дисциплины
- ознакомление студентов с основными методами анализа данных, математического моделирования и принятия решений применительно к решению задач в социально-экономической, финансовой и банковской сферах.
Планируемые результаты обучения
- Знает различные правила голосования и их свойства, умеет их проверять
- знает и умеет применять основные методы классификации и кластеризации данных, оценивать качество классификации
- знает и умеет применять процедуры дележа "дели-и-выбирай", "подстраивающийся победитель", "строгая очередность" и "сбалансированная очередность", знает их ограничения
- знает и умеет рассчитывать основные меры центральности сети
- знает методы выявления предпочтений
- знает основные классы бинарных отношений, их связь с рациональным выбором
- знает основные модели потоков потребителей и посещаемости
- знает свойства бинарных отношений и функций выбора, умеет их проверять
- умеет находить кратчайшие пути в графе между любыми вершинами
- умеет оценивать влияние участников группы с помощь. индексов влияния Банцафа, Джонстона, Шепли-Шубика, Дигена-Пакела, альфа-индексов (с учетом предпочтений по созданию коалиций)
- умеет применять алгоритм Гейла-Шепли для отыскания устойчивого паросочетания
- умеет решать дискретные задачи динамического программирования с помощью принципа Беллмана
- умеет решать задачи оптимизации в MS EXCEL
- умеет строить и оценивать формализованные математические модели, описывающие реальные ситуации
- умеет строить максимальные потоки в сети и доказывать их оптимальность
- умеет строить минимальные остовные деревья в графе
- умеет строить сетевые графики, находить критические пути и оценить резерв времени
- умеет строить формальные математические модели задачи оптимизации
- Визуализирует данные с помощью пакета Orange
- Способен реализовать в Anylogic системно-динамическую модель
- Умеет использовать классические методы машинного обучения с помощью пакета Orange
- Умеет визуализировать паттерны и проводить анализ паттернов
- Умеет автоматизировать запросы на базе макросов VBA и скриптов Python
- Знает и умеет использовать основные типы нейросетей (многослойные персептроны, свёрточные и рекуррентные сети) для анализа данных
- Способен создать, расположить элементы и настроить дашборд в DataLens
Содержание учебной дисциплины
- Методы принятия решений в современных экономических системах
- Многокритериальные задачи
- Графы и сети. Сети миграции, студенческих обменов, международных конфликтов и внешних заимствований.
- Оптимизационные модели.
- Оптимизационные модели на графах.
- Динамическая оптимизация.
- Выявление предпочтений потребителей
- Пространственный анализ, геомаркетинг
- Имитационное моделирование экономических систем
- Основы визуального программирования
- Основы работы с методами анализа паттернов
- Основы работы с Power Query
- Методы визуализации многомерных данных
- Современные нейросетевые и генеративные модели
- Автоматизация типовых вычислений
Элементы контроля
- Домашнее задание 1
- Домашнее задание 2
- Домашнее задание 3
- Домашнее задание 4
- Контрольная работа
- Экзамен
Промежуточная аттестация
- 2025/2026 2nd module0.1 * Домашнее задание 1 + 0.1 * Домашнее задание 2 + 0.1 * Домашнее задание 3 + 0.1 * Домашнее задание 4 + 0.25 * Контрольная работа + 0.35 * Экзамен
Список литературы
Рекомендуемая основная литература
- 33900 - Анализ и визуализация данных в Yandex DataLens - А.Гинько - ДМК Пресс - 9785937001719 - 2023 - https://hse.alpinadigital.ru/document/33900 - Alpina
- Črt Gorup, Mitar Milutinovič, Matija Polajnar, Marko Toplak, & Lan Umek. (n.d.). Orange: Data Mining Toolbox in Python. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.59267479
- Бинарные отношения, графы и коллективные решения : учеб. пособие, Алескеров, Ф. Т., 2012
- Боев, В. Д. Моделирование в среде AnyLogic : учебник для вузов / В. Д. Боев. — Москва : Издательство Юрайт, 2025. — 298 с. — (Высшее образование). — ISBN 978-5-534-02560-6. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/562671 (дата обращения: 04.07.2025).
- Рубчинский, А. А. Методы и модели принятия управленческих решений : учебник и практикум для вузов / А. А. Рубчинский. — Москва : Издательство Юрайт, 2023. — 526 с. — (Высшее образование). — ISBN 978-5-534-03619-0. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/511189 (дата обращения: 04.07.2025).
Рекомендуемая дополнительная литература
- 16637 - Дискретная математика и математические методы экономики с применением VBA Excel - О.Сдвижков - ДМК Пресс - 2016 - https://hse.alpinadigital.ru/document/16637 - Alpina
- 34734 - Действуй как ChatGPT: Неполное и неточное руководство по работе с лучшей нейросетью - Л.Макарина - Альпина Диджитал - https://hse.alpinadigital.ru/book/34734 - Alpina
- 38213 - Запись вебинара «ИИ для ваших задач: Сравниваем нейросети и выбираем лучшие» - Ж.Хамидун; П.Королёв - Альпина.Вебинары - 2025 - https://hse.alpinadigital.ru/video/38213 - Alpina
- Введение в анализ данных : учебник и практикум для вузов, Миркин, Б. Г., 2015
- Методы оптимальных решений. Т.2: Многокритериальность. Динамика. Неопределенность, , 2010