Учебно-методический комплекс дисциплины «информационные системы в экономике»

ТЕМА 7. ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ В ЭКОНОМИЧЕСКИХ СИСТЕМАХ Характеристика и назначение ИТ экспертных систем. Направления развития искусственного интеллекта. Знания, модели представления знаний (продукционная модель, семантическая сеть, фреймы). Применение ИТ экспертных систем и искусственного интеллекта в экономической деятельности. Корпоративные ЭИС во внешнеэкономической деятельности. Интеллектуальная информационная технология (ИИТ) - это информационная технология, помогающая человеку ускорить анализ политической, экономической, социальной и технической ситуации, а также - синтез управленческих решений. При этом используемые методы не обязательно должны быть логически непротиворечивы или копировать процессы человеческого мышления. Использование ИИТ в реальной практике подразумевает учет специфики проблемной области, которая может характеризоваться следующим набором признаков: качество и оперативность принятия решений; нечеткость целей и институциальных границ; множественность субъектов, участвующих в решении проблемы; хаотичность, флюктуируемость и квантованность поведения среды; множественность взаимовлияющих друг на друга факторов; слабая формализуемость, уникальность, нестереотипность ситуаций; латентность, скрытость, неявность информации; девиантность реализации планов, значимость малых действий; парадоксальность логики решений и др. ИИТ формируются при создании информационных систем и информационных технологий для повышения эффективности принятия решений в условиях, связанных с возникновением проблемных ситуаций. В этом случае любая жизненная или деловая ситуация – от выбора партнера по жизни до социального конфликта - описывается в виде некоторой познавательной модели (когнитивной схемы, архетипа, фрейма и пр.), которая впоследствии используется в качестве основания для построения и проведения моделирования, в том числе - компьютерного. Понятие и классификация интеллектуальных информационных систем Интеллектуальная информационная система (ИИС) – это информационная система, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей. Программные средства, применяемые в экономических информационных системах, можно разделить на следующие группы: 1.    Проблемно-ориентированные пакеты экономико-математического моделирования. 2.    Пакеты программ статистического анализа данных. 3.    Программные средства интеллектуализации доступа к базе данных. 4.    Средства эвристического решения задач анализа диагностики и прогнозирования на основе применения экспертных систем (ЭС). 5.    Программы анализа и прогнозирования управленческой деятельности на основе использования аппарата нейронных сетей, а также баз знаний (БЗ) прецедентов. 6.    Программные средства динамического планирования на основе использования Сase-технологий. Интеллектуальные информационные системы охватывают от 3 до 6 направлений. Классификация ИИС (рис. 7.1). В зависимости от совей природы знание бывает фактуальное и операционное. Рис. 7.1. Классификация ИИС Фактуальное знание – осмысленные данные. Операционное знание – общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них новую информацию. К главным недостаткам традиционной ИС относятся: 1.     Слабая адаптируемость к информационным потребностям пользователя. 2.     Невозможность решать плохо формализуемые задачи. Перечисленные недостатки устраняются в ИИС. ИИС имеют следующие характерные признаки: ·     развитые коммуникативные способности; ·     умение решать сложные, плохо формализуемые задачи (характеризуются наполовину качественным и количественным описанием, а хорошо формализуемые задачи – полностью количественным описанием); ·     способность к развитию и самообучению. Условно каждому из этих признаков соответствует свой класс ИИС: I класс: системы с интеллектуальным интерфейсом (коммуникативные способности): 1.    Интеллектуальные БД; 2.    Естественно-языковой интерфейс; 3.    Гипертекстовые системы; 4.    Контекстные системы; 5.    Когнитивная графика. II класс: экспертные системы (решение сложных задач): 1.    Классифицирующие системы; 2.    Доопределяющие системы; 3.    Трансформирующие системы; 4.    Многоагентные системы. III класс: самообучающиеся системы (способность к самообучению): 1.      Индуктивные системы; 2.      Нейронные сети; 3.      Системы, основанные на прецедентах; 4.      Информационные хранилища. Интеллектуальные БД – отличаются от обычных возможностью выборки по запросу информации, которая может явно не храниться, а выводиться из имеющейся БД (например, вывести список товаров, цена которых выше отраслевой). Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на машинный уровень представления знаний. При этом осуществляется распознавание и проверка написанных слов по словарям и синтаксическим правилам. Данный интерфейс облегчает обращение к интеллектуальным БД, а также голосовой ввод команд в системах управления. Гипертекстовые системы предназначены для поиска текстовой информации по ключевым словам в базах. Системы контекстной помощи – частный случай гипертекстовых и естественно-языковых систем. Системы когнитивной графики позволяют осуществлять взаимодействие пользователя ИИС с помощью графических образов. 7.2. Назначение, структура и основные характеристики экспертной системы Экспертная система (ЭС) – это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области. Она включает базу знаний с набором правил и механизмом вывода и позволяет на основании предоставляемых пользователем фактов распознать ситуацию, поставить диагноз, сформулировать решение или дать рекомендацию для выбора действия. Экспертные системы предназначены для воссоздания опыта, знаний профессионалов высокого уровня и использования этих знаний в процессе управления. Они разрабатываются с использованием математического аппарата нечеткой логики для эксплуатации в узких областях применения, поскольку их использование требует больших компьютерных ресурсов для обработки и хранения знаний. В основе построения экспертных систем лежит база знаний, которая основывается на моделях представления знаний. В силу больших финансовых и временных затрат в российских экономических ИС экспертные системы не имеют большого распространения. Считается, что любая экспертная система – это система, основанная на знаниях, но последняя не всегда является экспертной. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов. Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдение, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения. Более простые системы, основанные на знаниях, функционируют в режиме диалога, или режиме консультации. После запуска система задает пользователю ряд вопросов о решаемой задаче, требующих ответа «да» или «нет». Ответы служат для установления фактов, по которым может быть выведено окончательное заключение. В любой момент времени в системе содержится три типа знаний: ·    структурированные статические знания о предметной области, после того как эти знания выявлены, они уже не изменяются; ·    структурированные динамические знания – изменяемые знания о предметной области; они обновляются по мере выявления новой информации; ·    рабочие знания, применяемые для решения конкретной задачи или проведения консультации. Все перечисленные выше знания хранятся в базе знаний. Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний. Архитектура экспертной системы. Архитектура ЭС представлена на рис. 7.2. База знаний (БЗ) отражает знания экспертов. Однако далеко не каждый эксперт в состоянии грамотно изложить всю структуру своих знаний. Выявлением знаний эксперта и представлением их в БЗ занимаются специалисты – инженеры знаний. ЭС должна обладать механизмом приобретения знаний для ввода знаний в базу и их последующее обновление. В простейшем случае – это интеллектуальный редактор, который позволяет вводить единицы знаний в базу, а также проводить их анализ на непротиворечивость. Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: прогнозирование, планирование, контроль и управление, обучение. Технологию построения экспертных систем называют инженерией знаний. Этот процесс требует специфической формы взаимодействия создателя экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области. Инженер знаний «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему. Рис. 7.2. Архитектура ЭС В результате появляется система, решающая задачи во многом так же, как человек-эксперт. Ядро экспертной системы составляет база знаний, которая создается и накапливается в процессе ее построения. Знания выражены в явном виде и организованы так, чтобы упростить принятие решений. Накопление и организация знаний – одна из самых важных характеристик экспертной системы. Наиболее полезной характеристикой экспертной системы является то, что она применяет для решения проблем высококачественный опыт. Этот опыт может представлять уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным. Именно высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому также способствует гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать возможности системы по мере необходимости. Другой полезной чертой экспертных систем является наличие у них прогностических возможностей. Экспертная система может функционировать в качестве модели решения задачи в заданной области, давая ожидаемые ответы в конкретной ситуации и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. Аналогично пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие. Важным свойством экспертных систем является возможность их применения для обучения и тренировки персонала. Экспертные системы могут быть разработаны с расчетом на подобный процесс обучения, так как они уже содержат необходимые знания и способны объяснить процесс своего рассуждения. Остается только добавить программное обеспечение, поддерживающее соответствующий требованиям эргономики интерфейс между обучаемым и экспертной системой. Кроме того, должны быть включены знания о методах обучения и возможном поведении пользователя. Итак, в настоящее время ЭС является инструментом, усиливающим интеллектуальные способности всей системы в целом, и выполняет следующие задачи: 1) консультация для неопытных (непрофессиональных) пользователей, 2) помощь при анализе различных вариантов принятия решения, 3) помощь по вопросам, относящимся к смежным областям деятельности. Наиболее широко и продуктивно ЭС применяются в бизнесе, производстве, медицине, менее – в науке. 7.3. Инструментальные средства разработки экспертных систем Благодаря появлению специальных инструментальных средств построения ЭС сократились сроки разработки, значительно снизилась трудоемкость. Инструментальные средства построения ЭС можно разбить на три основных типа: ·    языки программирования; ·    среды программирования; ·    пустые ЭС (оболочки). С точки зрения разработчика экспертных систем, наибольший интерес представляет использование сред программирования и пустых экспертных систем (оболочек), хотя не всегда можно заметить разницу между этими понятиями. К числу таких средств первой группы относятся языки обработки символьной информации, наиболее известными из которых являются Пролог и Лисп. Пролог – язык высокого уровня, ориентированный на использование концепций и методов математической логики. Как следует из его названия, Пролог предназначен для программирования в терминах логики. Основной особенностью Пролога, отличающей его от всех других языков, является декларативный характер написанных на нем программ. Язык Лисп изобретен в Массачусетском технологическом институте и обладает способностью обрабатывать списковые структуры. Языки программирования Лисп и Пролог имеют встроенные механизмы для манипулирования знаниями. Помимо Лиспа и Пролога создано множество других языков, ориентированных на обработку символьной информации и разработку ЭС: Smalltalk, FRL, Interlisp. Кроме этих специализированных языков для разработки экспертных систем используются и обычные языки программирования общего назначения: Си, Ассемблер, Паскаль, Фортран, Бейсик и др. Общим недостатком языков программирования для создания экспертных систем являются: большое время разработки готовой системы, необходимость привлечения высококвалифицированных программистов, трудности с модификацией готовой системы. Все это делает применение языков программирования для реализации ЭС весьма дорогостоящим и трудоемким. Инструментальные средства второго типа – среды программирования – позволяют разработчику не программировать некоторые или все компоненты ЭС, а выбирать их из заранее составленного набора. При применении последнего типа инструментария (пустых ЭС, или «оболочек») разработчик ЭС полностью освобождается от работ по созданию программ и занимается лишь наполнением базы знаний. Типичным представителем второй и третьей групп инструментальных средств является пакет EXSYS Professional 5.0 for Windows (оболочка – по определению разработчика – компании MultiLogic Inc., США) и его последующая модификация Exsys Developer 8.0, предназначенный для создания прикладных экспертных систем в различных предметных областях. Система построена на использовании сложных правил вида ЕСЛИ-ТО-ИНАЧЕ. Для выбора стратегии получения заключения в системе по умолчанию используется обратная цепочка вывода. Прямая цепочка может быть задана при настройке системы. Система обладает развитым графическим интерфейсом, способна обращаться к внешним базам данных, проверять правила на непротиворечивость. При определенной настройке может работать с русскоязычными текстами. Разработка (проектирование) ЭС существенно отличается от разработки обычного программного продукта. Программные средства, базирующиеся на технологии и методах искусственного интеллекта, получили значительное распространение в мире. Их важность, и в первую очередь важность экспертных систем, состоит в том, что данные технологии существенно расширяют круг практически значимых задач, которые можно решать на компьютерах, и их решение приносит значительный экономический эффект. В основе любой экспертной системы лежит принцип накопления знаний специалистов (экспертов), которые каким-либо образом программно реализуются. Затем с помощью этих знаний пользователи ЭС, имеющие обычную квалификацию, могут решать свои текущие задачи столь же успешно, как это сделали бы сами эксперты. Такой эффект достигается благодаря тому, что экспертная система в своей работе воспроизводит примерно ту же схему рассуждений, которую обычно применяет человек-эксперт при анализе проблемы. Тем самым ЭС позволяет копировать и распространять знания, делать их доступными широким кругам рядовых специалистов. Уровень пользователей экспертных систем может варьироваться в очень широком диапазоне. От вида деятельности пользователей зависят и функции, которыми наделяются создаваемые для них ЭС. В настоящее время технология экспертных систем получила широкое распространение. Так, на американском и западноевропейском рынках систем искусственного интеллекта организациям, желающим создать экспертную систему, фирмы-разработчики предлагают сотни инструментальных средств для их построения. Прикладных же ЭС, успешно решающих задачи из определенного узкого класса, насчитываются тысячи. Это позволяет говорить о том, что ЭС сейчас составляет мощную ветвь в индустрии программирования. Экспертные системы и Интернет/интранет. Интернет/интранет технологии поддерживают экспертные системы и наоборот. Телекоммуникационные технологии обеспечивают огромному числу пользователей доступ к возможностям экспертных систем, это способствует окупаемости затрат на разработку ЭС. К сожалению, только немногие экспертные системы доступны по сети. Они могут быть связаны по сети не только с пользователями, но и с другими системами, включая базы данных, системы принятия решений, управления роботами. Сетевые технологии открывают новые возможности в разработке экспертных систем группами людей, разделенных территориально, а также в реализации экспертных систем. 7.4. Применение интеллектуальных технологий в экономических системах Применение ЭС. Экспертные системы – это прогрессирующее направление в области искусственного интеллекта. Причиной повышенного интереса, который экспертные системы вызывают к себе на протяжении всего своего существования, является возможность их применения для решения задач из самых различных областей человеческой деятельности. Пожалуй, не найдется такой предметной области, в которой не было бы создано ни одной ЭС или, по крайней мере, такие попытки не предпринимались бы. Основные типы задач, решаемых с помощью ЭС: 1) интерпретация, определение смыслового содержания входных данных; 2) предсказание последствий наблюдаемых ситуаций; 3) диагностика неисправностей (заболеваний) по симптомам; 4) конструирование объекта с заданными свойствами при соблюдении установленных ограничений; 5) планирование последовательности действий, приводящих к желаемому состоянию объекта; 6) слежение (наблюдение) за изменяющимся состоянием объекта и сравнение его параметров с установленными или желаемыми; 7) управление объектом с целью достижения желаемого поведения; 8) поиск неисправностей; 9) обучение. В экономических информационных системах с помощью ЭС возможно решение следующих задач: 1.   Анализ финансового состояния предприятия. 2.   Оценка кредитоспособности предприятия. 3.   Планирование финансовых ресурсов предприятия. 4.   Формирование портфеля инвестиций. 5.   Страхование коммерческих кредитов. 6.   Выбор стратегии производства. 7.   Оценка конкурентоспособности продукции. 8.   Выбор стратегии ценообразования. 9.   Выбор поставщика продукции. 10.    Подбор кадров. Применение нейронных сетей. Нейронные сети особенно эффективны в случаях, когда нужно проанализировать большое количество данных для оценивания ситуации. Например, при принятии решения о выдаче кредита нужно просмотреть случаи из прошлого опыта с ответами да/нет. Области применения нейронных сетей в сфере экономической деятельности: ·     обнаружение нарушений при уплате налогов; ·     анализ рынка ценных бумаг, предсказание курсов валют; ·     выдача кредитов; ·     предсказание последствий того или иного решения; ·     предсказание результатов продвижения на рынке новых товаров; ·    управление аэролиниями: заполнение мест и составление расписания; ·     оценивание кандидатов на должность; ·     оптимальное распределение ресурсов; ·     установление подлинности подписи и др. Применение ИТ экспертных систем и искусственного интеллекта в экономической деятельности. В настоящее время имеет место широкое появление на отечественном рынке компьютеров и программного обеспечения нейропакетов и нейрокомпьютеров, предназначенных для решения финансовых задач. Те банки и крупные финансовые организации, которые уже используют нейронные сети для решения своих задач, понимают, насколько эффективным средством могут быть нейронные сети для задач с хорошей статистической базой, например при наличии достаточно длинных временных рядов, в том числе и многомерных. Нейросетевые технологии оперируют биологическими терминами, а методы обработки данных получили название генетических алгоритмов, реализованных в ряде версий нейропакетов, известных в России. Это профессиональные нейропакеты Brain Maker Professional v.3.11 и Neuroforester v.5.1, в которых генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает и прогнозирует новые ситуации с высокой степенью точности даже при появлении противоречивых или неполных знаний. Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без участия пользователя-аналитика. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решений. Использование нейросетевых технологий как инструментальных средств перспективно в решении множества плохо формализуемых задач, в частности при анализе финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, связанных с высокими рисками моделей поведения клиентов, и др. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. На мировом рынке нейросетевые технологии представлены широко – от дорогих систем на суперкомпьютерах до ПК, делая их доступными для приложений практически любого уровня. К основным преимуществам нейронных сетей можно отнести: способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными. В таких случаях (к ним можно отнести до 80% задач финансового анализа) пасуют традиционные математические методы; способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию; эксплуатация обученной нейронной сети по силам любым пользователям; нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных; внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы, т.е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации; толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов; способность к обучению: программирование вычислительной системы заменяется обучением; способность к распознаванию образов в условиях сильных помех и искажений. Появление столь мощных и эффективных средств не отменит традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети просто приходят – и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы. Не обязательно насаждать нейронные сети или пытаться доказать их неэффективность путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним, как к неизбежному следствию развития вычислительной математики, информационных технологий и современной элементной базы. Под нейрокомпьютером здесь понимается любое вычислительное устройство, реализующее работу нейронных сетей, будь то специальный нейровычислитель или эмулятор нейронных сетей на персональном компьютере. Нейронная сетью (НС) – вид вычислительной структуры, основанной на использовании нейроматематики - нового направления математики, находящегося на стыке теории управления, численных методов и задач классификации, распознавания образов. Для решения конкретных задач используются пакеты прикладных программ-эмуляторов работы нейронных сетей – нейропакеты, нейросетевые и гибридные экспертные системы, специализированные параллельные вычислители на базе нейрочипов. Модели НС могут быть программного и аппаратного исполнения. Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами. Во-первых, основу каждой НС составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке 7.3. Каждый синапс характеризуется величиной синаптическои связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости. Текущее состояние нейрона определяется, как взвешенная сумма его входов. S Ячейка нейрона Аксон Выход Y Синапсы Входы X3 X2 X1 X W1 W2 W3 Wn Рис. 7.3 Общий вид нейрона В зависимости от функций, выполняемых нейронами в сети, можно выделить 3 типа: входные нейроны, на которые подается вектор, кодирующий входное воздействие или образ внешней среды; в них обычно не осуществляется вычислительных процедур, а информация передается с входа на выход путем изменения их активации; выходные нейроны, выходные значения которых представляют выходы нейросети; промежуточные нейроны, составляющие основу нейронных сетей. В большинстве нейронных моделей тип нейрона связан с его расположением в сети. Если нейрон имеет только выходные связи, то это входной нейрон, если наоборот – выходной нейрон. В процессе функционирования сети осуществляется преобразование входного вектора в выходной, переработка информации. Каждый нейрон распознаёт и посылает сигнал об одном простом событии, он не посылает много сигналов и не распознаёт много событий. Синапс позволяет единственному сигналу иметь различные воздействия на связанные с ним нейроны. Распознавание более сложных событий есть работа группы взаимосвязанных нейронов (НС) и несколько биологических нейронных сетей функционируют взаимосвязанно для обработки всё более сложной информации. Нейронная сеть состоит из слоев нейронов, которые соединены друг с другом. Детали того, как нейроны соединены между собой, заставляют задуматься над вопросом проектирования НС. Некоторые нейроны будут использоваться для связи с внешним миром, другие нейроны - только с нейронами. Они называются скрытыми нейронами. Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей: прогнозирование временных рядов на основе нейросетевых методов обработки (прогнозирование кросс-курса валют, прогнозирование котировок и спроса акций, прогнозирование остатков средств на корреспондентских счетах банка); страховая деятельность банков; прогнозирование банкротств на основе нейросетевой системы распознавания; определение курсов облигаций и акций предприятий с целью инвестирования; применение нейронных сетей к задачам биржевой деятельности; прогнозирование экономической эффективности финансирования инновационных проектов; предсказание результатов займов; оценка платежеспособности клиентов; оценка недвижимости; рейтингование; общие приложения нейронных сетей и пр.

Похожие:

	Пояснительная записка Цели и задачи дисциплины (модуля) Целью изучения... Григорьев М. В. Информационные системы в экономике. Учебно-методический комплекс. Рабочая программа для студентов направления 02....		Учебно-методический комплекс составлен на основании требований государственного... Учебно-методический комплекс дисциплины обсуждена на заседании кафедры Информационные системы управления «29» июня 2011 г
	Учебно-методический комплекс дисциплины «информационные технологии управления» Учебно-методический комплекс дисциплины составлен в соответствии с требованиями государственного образовательного стандарта высшего...		Пояснительная записка Цели и задачи дисциплины (модуля) Целью изучения... Григорьев М. В. Информационные системы в нефтегазовом комплексе. Учебно-методический комплекс. Рабочая программа для студентов направления...
	Разработка электронного документа в субд access методические указания к лабораторным работам Методические указания предназначены для студентов экономических и других специальностей, изучающих дисциплины «Информационные системы»,...		Учебно-методический комплекс дисциплины «информационные технологии управления» Учебно-методический комплекс составлен в соответствии с требованиями государственного стандарта высшего профессионального образования...
	Учебно-методический комплекс дисциплины «Финансовые информационные технологии» Учебно-методический комплекс составлен в соответствии с требованиями государственного образовательного стандарта высшего профессионального...		Учебно-методический комплекс дисциплины «Бухгалтерские информационные технологии» Учебно-методический комплекс составлен в соответствии с требованиями государственного образовательного стандарта высшего профессионального...
	Учебно-методический комплекс дисциплины «Бухгалтерские информационные технологии» Учебно-методический комплекс составлен в соответствии с требованиями государственного образовательного стандарта высшего профессионального...		Учебно-методический комплекс дисциплины «Иностранный язык» Учебно-методический комплекс дисциплины «Иностранный язык» направление подготовки 210700. 68 «Инфокоммуникационные технологии и системы...