Detail předmětu

Pokročilé metody analýz a modelování

FP-FpmamKAk. rok: 2017/2018

Obsahem předmětu je seznámení studentů s vybranými pokročilými metodami analýz a technikami modelování (fuzzy logika, umělé neuronové sítě, genetické algoritmy) formou vysvětlení principů těchto teorií a jejich následných aplikací do manažerské praxe.

Jazyk výuky

čeština

Počet kreditů

4

Zajišťuje ústav

Výsledky učení předmětu

Získané znalosti a dovednosti předmětu umožní absolventům kvalitní a moderní přístup při procesech analýz a modelování v národním hospodářství a soukromém sektoru, organizacích, podnicích, firmách, společnostech, bankách, atd. zejména v manažerské, ale i ekonomické a finanční sféře.

Prerekvizity

Znalosti z oblasti matematiky (lineární algebra, vektory, analýza funkcí, operace s maticemi) statistiky (analýza časových řad, regresní analýza, užití statistických metod v ekonomii), operační analýzy (základní metody optimalizace, lineární programování), finanční analýzy a plánování (analýza zisku a nákladů, cash flow, bonitní a bankrotní model).

Plánované vzdělávací činnosti a výukové metody

Výuka probíhá formou přednášek, které mají charakter výkladu základních principů, metodologie dané disciplíny a problémů. Cvičení podporují zejména praktické ovládnutí látky vyložené na přednáškách.

Způsob a kritéria hodnocení

K udělení zápočtu bude požadována aktivní účast na cvičeních a odevzdání seminární práce. Rozsah práce bude činit cca 8-12 stránek s individuálním zaměřením studenta na problematiku z praxe, vedoucí k řešení za pomoci teorie fuzzy logiky, umělých neuronových sítí nebo genetických algoritmů. Forma zkoušky bude formou písemného testu. Klasifikace bude stanovena na základě správnosti odpovědí testu a bude přihlédnuto ke kvalitě seminární práce.

Osnovy výuky

1,2. Fuzzy logika (FL): Seznámení se s základními pojmy a pravidly fuzzy logiky, tvorbou modelů. Uvedení příkladů aplikací fuzzy logiky v rozhodování, jako je např. manažerské a investiční rozhodování, predikce atd.
3,4. Umělé neuronové sítě (UNS): Seznámení se s základními pojmy v oblasti umělých neuronových sítí, uvedení pojmu perceptron, vícevrstvá neuronová síť a jejich parametrů. Aplikace zahrnuje investiční rozhodování, odhady cen výrobků a množstevní odhady, odhad cen nemovitostí, oceňování bonity klienta atd.
5,6. Genetické algoritmy (GA): Seznámení se základy genetiky, analogií mezi přírodou a matematickým popisem, umožňující řešení problémů rozhodování. Je uvedeno použití v oblasti optimalizace široké palety problémů – optimalizace investiční strategie, řízení výroby, řezných plánů, aproximace křivek, řešení problému obchodního cestujícího, využití shlukové analýzy apod.
7. Teorie chaosu:Teorie pojednává o možnosti lepšího popisu ekonomických jevů než je tomu u klasických metod. Je objasněn pojem chaos a řád, fraktál, uvedeno využití této teorie při určení míry chaosu u měřeného sledovaného systému.
8. Datamining: Uvedení pojmu co znamená datamining, definování cílů, výběr techniky modelování, zdroje a příprava dat, tvorba modelů, jejich ověření, vyhodnocení, implementace a údržba. Uvedení příkladů použití pro volbu strategie spolupráce se zákazníkem, direkt mailing apod.
9. Modelování: Uvedení pojmu systém a jeho identifikaci a simulaci. Popis využití FL, UNS a GA při simulaci rozhodovacích procesů v podnikatelství.
10. Predikce:Uvedení metod predikce časových řad pomocí FL, UNS a GA a jejich využití pro predikci budoucího vývoje nejrůznějších ekonomických veličin v praxi.
11. Kapitálový trh: Využití FL, UNS a GA na kapitálových trzích. Je uveden možný proces rozhodování s cílem dosažení optima při nákupu, prodeji nebo držení akcií, indexů, kurzů měn nebo komodit. Jsou uvedeny příklady na optimalizaci portfolia, predikci apod.
12. Rozhodování: Uvedení pojmu rozhodování. Popis využití FL, UNS a GA pro rozhodovacích procesů v podnikatelství.
13. Shrnutí

Učební cíle

Cílem výše uvedeného předmětu je seznámení se s některými nestandardními pokročilými metodami analýz a technikami modelování za účelem podpory rozhodování v podnikatelství formou vysvětlení si principu těchto teorií, naučit se pracovat s těmito teoriemi a jejich aplikací.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Účast na přednáškách není kontrolována. Účast na cvičeních je povinná a je systematicky kontrolována. Student je povinen neúčast omluvit. Je plně v kompetenci učitele posoudit důvodnost omluvy. Formy nahrazení zameškané výuky stanoví učitel individuálně.

Základní literatura

DOSTÁL, P.: Pokročilé metody analýz a modelování v podnikatelství a veřejné správě, Akademické nakladatelství CERM, 2008 Brno,ISBN 978-80-7204-605-8.
DOSTÁL, P.: Advanced Decision making in Business and Public Services, Akademické nakladatelství CERM, 2011 Brno,ISBN 978-80-7204-747-5.
DOSTÁL, P, RAIS, K., SOJKA, Z.: Pokročilé metody manažerského rozhodování, Praha Grada, 2005., ISBN 80-247-1338-1.
THE MATHWORKS. MATLAB – User’s Guide, The MathWorks, Inc., 2011.

Doporučená literatura

DOSTÁL, P. The Use of Soft Computing in Management. In Vasant, P. Handbook of Research on Novel Soft Computing Intelligent Algorithms: Theory and Practical Applications USA: IGI Globe, 2013. DOI: 10.4018/978-1-4666-4450-2, ISBN13: 9781466644502, ISBN10: 1466644508, EISBN13: 9781466644519.
DOSTÁL, P. The Use of Soft Computing for Optimization in Business, Economics, and Finance. In Vasant, P. Meta-Heuristics Optimization Algorithms in Engineering, Business, Economics, and Finance, USA: IGI Globe, 2012. DOI: 10.4018/978-1-4666-2086-5, ISBN13: 9781466620865, ISBN10: 1466620862, EISBN13: 9781466620872.

Zařazení předmětu ve studijních plánech

  • Program MGR-KS magisterský navazující

    obor MGR-UFRP-KS , 2. ročník, zimní semestr, volitelný

Typ (způsob) výuky

 

Konzultace v kombinovaném studiu

16 hod., nepovinná

Vyučující / Lektor

Osnova

Úvod
2. Fuzzy logika - teorie
3. Fuzzy logika + aplikace – Excel
4. Fuzzy logika – aplikace Matlab
5. Umělé neuronové site - teorie
6. Umělé neuronové sítě + aplikace Matlab
7. Genetické algoritmy - teorie
8. Genetické algoritmy + aplikace Matlab
9. Teorie chaosu
10. Datamining