Теория и системный анализ

В данной курсовой работе проводится анализ структурированных статистических показателей высших учебных заведений Российской Федерации и их филиалов. Для анализа были взяты показатели ста ВУЗов, расположенных в городе Москва и на территории близлежащих областей, таких как Калужская, Костромская и Курская области. Актуальность исследований, проводимых в этой работе, обосновывается требованием систематизации качественных характеристик учебных заведений для их контроля и развития. Целью курсовой работы является определение эффективности системы оценки ВУЗов, разработанной Министерством Образования Российской Федерации. Данные для анализа взяты с сайта Министерства Образования Российской Федерации. Для достижения этой цели необходимо выполнить ряд задач. Во-первых, исследование методов статистической обработки данных, таких как факторный анализ, кластерный анализ и регрессионный анализ, и во-вторых, применение этих методов к реальным данным. Предметом исследования является обработка статистических данных, а объектом исследования является отдельные методы DataMining.

---

Обращайтесь к нам и заказывайте написание реферата по маркетингу. Рассчитаем стоимость работы бесплатно. Скидка 1000 рублей на 1 заказ!

---

. Структура курсовой работы включает в себя разделы, соответствующие поставленным задачам, то есть в первой части проводится исследование методов факторного анализа, кластерного анализа и регрессионного анализа, а во второй части работы описывается применение этих методов обработки данных к реальным данным, полученным из официального источника.  

В рамках данной курсовой работы мы проанализировали собранные Министерством образования и науки Российской Федерации данные об эффективности деятельности высших учебных заведений регионов, выделенные на основании соответствующей методики анализа эффективности деятельности высших учебных заведений Российской Федерации. В рамках проведенного исследования был проведен факторный анализ всех переменных, выявлены укрупненные группы, которые состоят из различных более мелких факторов. Привели их в единую концепцию, определили значимость каждой группы на результативную переменную. Так же был проведен кластерный анализ, который выявил пять кластеров. Каждый кластер построен на укрупненных факторах влияния и содержит в себе от одного до 70 образовательных учреждений. Проведен анализ каждого кластера, выявлены их наиболее характерные признаки, описаны каждый из них. В свою очередь множественный регрессионный анализ проиллюстрировал тесную связь между пятью показателями, которая можем быть распространена на всю генеральную совокупность. Все пять показателей оценки относятся к общим сторонам оценки ВУЗа и не учитывают отраслевую специфику учреждений, что может искусственно влиять на низкие показатели эффективности того или иного образовательного учреждения Таким образом, проведенная работа дает основание утверждать, что факторный, кластерный и регрессионные анализы могут быть применимы для глубоких исследований информации в неструктурированных массивах данных, тем не менее без понимания отраслевой специфики изучаемых явлений не всегда может существовать возможность их однозначной интерпретации.

1. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP -СПб.: Изд. БХВ-Петербург, 2008. -384 с. 2. Глобализация, рост и бедность. Построение всеобщей мировой экономики; Весь Мир - М., 2016. - 206 c. 3. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. -- СПб.: Питер, 2001 – 367 c. 4. Журавлёв Ю.И., Рязанов В.В., Сенько О.В. РАСПОЗНАВАНИЕ. Математические методы. Программная система. Практические применения. — М.: Изд. «Фазис», 2006. — 176 с. 5. Захаров С. И., Холмская А. Г. Повышение эффективности обработки сигналов вибрации и шума при испытаниях механизмов // Вестник машиностроения : журнал. — М.: Машиностроение, 2001. — № 10. — С. 31—32. 6. Зиновьев А. Ю. Визуализация многомерных данных. — Красноярск: Изд. Красноярского государственного технического университета, 2000. — 180 с 7. Кулаичев, А.П. Методы и средства комплексного статистического анализа данных: Учебное пособие / А.П. Кулаичев. - М.: Инфра-М, 2016. - 347 c. 8. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям. Учебное пособие. -2-е изд., испр. -СПб.: Питер, 2013. -704 с. 9. Радченко С. Г. Устойчивые методы оценивания статистических моделей. — К.: ПП «Санспарель», 2005. — 504 с. 10. Степанов Р. Г. Технология Data Mining: Интеллектуальный Анализ Данных. - Казанский Государственный Университетим. В.И.Ульянова-Ленина, 2008. 11. Фёрстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа = Methoden der Korrelation - und Regressiolynsanalyse. — М.: Финансы и статистика, 1981. — 302 с. 12. Чубукова И. А. Data Mining: учебное пособие. -М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. -382 с. 13. Энциклопедия статистических терминов. В 8 т. Т. 2. Инструментальные методы статистики /Федеральная служба государственной статистики. -М., 2013. URL: http://www.gks.ru/free_doc/new_site/rosstat/stbook11/tom2.pdf 14. Viktor Mayer-Schonberger and Kenneth Cukier Big Data: Revolution That Will Transform How We Live, Work, and Think; Mariner Books, Houghton Mifflin, An Eamon Dolan Book - М., 2014. - 272 c. 15. Mining of Massive Datasets Stanford University. //The Stanford InfoLab. URL: http://i.stanford.edu/~ullman/mmds/book.pdf