METODY DATA MINING W ANALIZOWANIU I PROGNOZOWANIU KONDYCJI EKONOMICZNE LASEK M. Księgarnia

Prezentowana praca przedstawia zastosowanie metod Data Mining do analizy i prognozowania kondycji ekonomicznej (finansowej i majątkowej) przedsiębiorstw.

Metody Data Mining nie są jeszcze zbyt popularne i szeroko stosowane w Polsce. Zalicza się do nich metody statystyczne i metody sztucznej inteligencji, które umożliwiają odkrywanie nieznanych zależności między danymi w nagromadzonych zbiorach danych. Są to takie metody, które pozwalają z danych tworzyć wiedzę (znajdywać zależności, wzorce, trendy) . Rozwój metod Data Mining związany jest z rozwojem wielu dziedzin: informatyki, statystyki, ekonometrii, matematycznych technik rozwiązywania problemów, teorii i narzędzi wnioskowania w warunkach niepewności. W języku polskim metody Data Mining nazywane są różnie: metodami eksploracji danych, odkrywania wiedzy w bazach danych, zgłębiania danych, eksploatacji danych, drążenia danych, a nawet torturowania danych. Jednak najczęściej używana jest nazwa angielska Data Mining, stąd też zwrot ten zastosowano w tytule książki.

Książka nie jest podręcznikiem metod, ani tym bardziej wspomagających je programów. Przeznaczona jest dla użytkowników, którzy chcieliby kompleksowo wykorzystać je w jednym, wybranym zastosowaniu. W książce posłużono się przykładem takiego zastosowania analizą i prognozowaniem kondycji ekonomicznej przedsiębiorstw. Z wykorzystywanych metod należy wymienić m.in.: metodę regresji, sieci neuronowe wielowarstwowe, drzewa decyzyjne, metodę k-średnich, sieci neuronowe Kohonena. Starano się przedstawić ogólne zasady postępowania przy stosowaniu metod Data Mining, ale także zwrócić uwagę na potrzebę ujęcia specyfiki problemu. Proponuje się zastosowanie jednego programu Enterprise Miner firmy SAS, który jest rozbudowanym programem eksploracji danych i okazał się w pełni wystarczający. W pracy nie przedstawiano zbyt szczegółowo opisów obsługi (poszczególnych opcji) programu, ani wersji poszczególnych metod.

Spis treści:

Wprowadzenie

1. Wstępna analiza danych i przygotowanie danych do analizy Data Mining

2. Budowa modeli analizy i prognozowania przedsiębiorstw

2.1. Budowa i wykorzystywanie modeli regresji
2.2. Budowa i zastosowanie sieci neuronowych
2.3. Modele drzew decyzyjnych w analizach kondycji przedsiębiorstw

3. Sporządzanie prognoz - generowanie i wykorzystywanie kodu skoringowego

3.1. Modele regresji, sieci neuronowych oraz drzew decyzyjnych jako narzędzia prognozowania
3.2. Porównanie wyników prognozowania uzyskanych za pomocą różnych modeli
3.3. Kryteria oceny modeli prognozowania a analiza wyników prognoz

4. Zastosowanie metod grupowania danych

4.1. Tworzenie skupień przedsiębiorstw za pomocą metody k-średnich
4.2. Wykorzystanie sieci neuronowych Kohonena w grupowaniu przedsiębiorstw

5. Dylematy i problemy analizowania i prognozowania kondycji ekonomicznej przedsiębiorstw za pomocą metod Data Mining

5.1. Problemy doboru zmiennych na potrzeby prognozowania i grupowania przedsiębiorstw
5.2. Uwzględnianie wpływu interakcji między zmiennymi objaśniającymi - wprowadzanie czynników interakcji do modeli
5.3. Potrzeby i metody przeprowadzania transformacji zmiennych
5.4. Postępowanie w przypadku brakujących wartości. Wybór metod imputacji
5.5. Analiza i eliminacja wpływu obserwacji nietypowych (outliers) na wyniki

Bibliografia

Załączniki
Załącznik 1. Analizowane przedsiębiorstwa i ich przynależność do sektorów gospodarki
Załącznik 2. Wykorzystywane dane finansowe i wskaźniki finansowe
Załącznik 3. Przykład raportu z realizacji projektu analizy i prognozowania kondycji ekonomicznej przedsiębiorstw (fragment)

174 strony, B5, miękka oprawa

Po otrzymaniu zamówienia poinformujemy,
czy wybrany tytuł polskojęzyczny lub anglojęzyczny jest aktualnie na półce księgarni.