Wiki - Факультет компьютерных наук - Вклад [ru]

Разработка модуля поиска нечетких правил (Fuzzy Rules) в естественном языке (проект)

2018-09-24T07:38:59Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка модуля поиска нечетких правил (Fuzzy Rules) в естественном языке
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2018
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

=== Что это за проект? ===
Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Основам теории нечеткой логики (Fuzzy Logic)
- Основным подходам контекстного поиска и синтаксического разбора текста
- Писать надежный и понятный код
- Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
- Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
- Знание SQL желательно

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
- PostgresSQL (возможно Redis как NoSQL)
- GIT(Bitbucket)

=== Темы вводных занятий ===
- Основы организации разработки продукта и управление проектами
- Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
- Основы синтаксический разбора естественного текста. Работа с текстовыми данными
- Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
- Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
- Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
- Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30, встречи или ФКН или в офисе ментора

e-mail: ivan.lisenkov@gmail.com

Разработка модуля поиска нечетких правил (Fuzzy Rules) в естественном языке (проект)

2018-09-24T07:36:19Z

Ivan.Lisenkov: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Разработка модуля поиска нечетких правил (Fuzzy Rules) в естественном языке
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

=== Что это за проект? ===
Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Основам теории нечеткой логики (Fuzzy Logic)
- Основным подходам контекстного поиска и синтаксического разбора текста
- Писать надежный и понятный код
- Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
- Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
- Знание SQL желательно

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
- PostgresSQL (возможно Redis как NoSQL)
- GIT(Bitbucket)

=== Темы вводных занятий ===
- Основы организации разработки продукта и управление проектами
- Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
- Основы синтаксический разбора естественного текста. Работа с текстовыми данными
- Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
- Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
- Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
- Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30, встречи или ФКН или в офисе ментора

e-mail: ivan.lisenkov@gmail.com

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-11-14T10:34:37Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Основным подходам контекстного поиска и синтаксического разбора текста
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
* PostgresSQL (возможно Redis как NoSQL)
* GIT(Bitbucket)

=== Темы вводных занятий ===
* Основы организации разработки продукта и управление проектами
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Основы синтаксический разбора естественного текста. Работа с текстовыми данными
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
* Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
* Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных 
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент. 
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

e-mail: ivan.lisenkov@gmail.com

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-11-14T10:34:24Z

Ivan.Lisenkov:

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-10-06T08:36:13Z

Ivan.Lisenkov:

Разработка сервиса классификации и извлечения информации из документов

2017-09-25T14:07:23Z

Ivan.Lisenkov:

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Language: Python 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Propriertary libraries to data processing 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...) 
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!) 
- Программирование на C(C++)/Python (в рамках прослушанного курса) 
- Знание SQL желательно 

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы) 
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) 
- Основы проведения презентации 

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5 
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8 

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru 
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-25T14:06:00Z

Ivan.Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Language: Python 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Собственные библиотеки обработки данных 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...) 
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!) 
- Программирование на C(C++)/Python (в рамках прослушанного курса) 
- Знание SQL желательно 

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы) 
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) 
- Основы проведения презентации 

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5 
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8 

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru 
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-25T14:05:19Z

Ivan.Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Python 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Собственные библиотеки обработки данных 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...) 
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!) 
- Программирование на C(C++)/Python (в рамках прослушанного курса) 
- Знание SQL желательно 

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы) 
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) 
- Основы проведения презентации 

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5 
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8 

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru 
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T14:21:40Z

Ivan.Lisenkov: /* Контактная информация */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Python/C++ 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Собственные библиотеки обработки данных 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...) 
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!) 
- Программирование на C(C++)/Python (в рамках прослушанного курса) 
- Знание SQL желательно 

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы) 
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) 
- Основы проведения презентации 

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5 
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8 

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru 
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T14:21:26Z

Ivan.Lisenkov: /* Критерии оценки */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Python/C++ 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Собственные библиотеки обработки данных 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...) 
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!) 
- Программирование на C(C++)/Python (в рамках прослушанного курса) 
- Знание SQL желательно 

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы) 
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) 
- Основы проведения презентации 

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5 
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8 

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T14:20:58Z

Ivan.Lisenkov: /* Темы вводных занятий */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Python/C++ 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Собственные библиотеки обработки данных 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...) 
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!) 
- Программирование на C(C++)/Python (в рамках прослушанного курса) 
- Знание SQL желательно 

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы) 
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) 
- Основы проведения презентации 

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T14:20:34Z

Ivan.Lisenkov: /* Какие начальные требования? */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Python/C++ 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Собственные библиотеки обработки данных 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...) 
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!) 
- Программирование на C(C++)/Python (в рамках прослушанного курса) 
- Знание SQL желательно 

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы)
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T14:20:07Z

Ivan.Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Python/C++ 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Собственные библиотеки обработки данных 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...)
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!)
- Программирование на C(C++)/Python (в рамках прослушанного курса)
- Знание SQL желательно

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы)
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T14:19:42Z

Ivan.Lisenkov: /* Компоненты (Из каких частей состоит проект?) */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Python/C++
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB
ML: Keras/Theano(TensorFlow)/SciKit-Learn
Text processing: NLTK
Собственные библиотеки обработки данных

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...)
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!)
- Программирование на C(C++)/Python (в рамках прослушанного курса)
- Знание SQL желательно

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы)
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T14:19:14Z

Ivan.Lisenkov: /* Организация работы (Как студенты будут работать в команде?) */

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP)
3. Планирование и проведение спринтов по разработке прототипа продукта
5. Проведение демонстраций
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
Python/C++
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB
ML: Keras/Theano(TensorFlow)/SciKit-Learn
Text processing: NLTK
Собственные библиотеки обработки данных

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...)
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!)
- Программирование на C(C++)/Python (в рамках прослушанного курса)
- Знание SQL желательно

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы)
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T14:17:56Z

Ivan.Lisenkov:

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum:

- Все студенты участники Scrum команды
- Product Owner от OpenTRM
- Scrum Master от OpenTRM

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP)
3. Планирование и проведение спринтов по разработке прототипа продукта
5. Проведение демонстраций
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
Python/C++
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB
ML: Keras/Theano(TensorFlow)/SciKit-Learn
Text processing: NLTK
Собственные библиотеки обработки данных

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...)
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!)
- Программирование на C(C++)/Python (в рамках прослушанного курса)
- Знание SQL желательно

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы)
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:59:25Z

Ivan.Lisenkov:

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи
-Проводить разработку в изменяющихся условиях и требованиях
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!)
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum:

- Все студенты участники Scrum команды
- Product Owner от OpenTRM
- Scrum Master от OpenTRM

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP)
3. Планирование и проведение спринтов по разработке прототипа продукта
5. Проведение демонстраций
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
Python/C++
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB
ML: Keras/Theano(TensorFlow)/SciKit-Learn
Text processing: NLTK
Собственные библиотеки обработки данных

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...)
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!)
- Программирование на C(C++)/Python (в рамках прослушанного курса)
- Знание SQL желательно

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы)
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:59:12Z

Ivan.Lisenkov:

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи
-Проводить разработку в изменяющихся условиях и требованиях
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!)
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum:

- Все студенты участники Scrum команды
- Product Owner от OpenTRM
- Scrum Master от OpenTRM

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP)
3. Планирование и проведение спринтов по разработке прототипа продукта
5. Проведение демонстраций
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
Python/C++
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB
ML: Keras/Theano(TensorFlow)/SciKit-Learn
Text processing: NLTK
Собственные библиотеки обработки данных

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...)
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!)
- Программирование на C(C++)/Python (в рамках прослушанного курса)
- Знание SQL желательно

=== Темы вводных занятий ===
test

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru
Телефон: +7(916)687-87-06

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:58:57Z

Ivan.Lisenkov:

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи
-Проводить разработку в изменяющихся условиях и требованиях
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!)
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum:

- Все студенты участники Scrum команды
- Product Owner от OpenTRM
- Scrum Master от OpenTRM

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP)
3. Планирование и проведение спринтов по разработке прототипа продукта
5. Проведение демонстраций
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
Python/C++
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB
ML: Keras/Theano(TensorFlow)/SciKit-Learn
Text processing: NLTK
Собственные библиотеки обработки данных

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...)
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!)
- Программирование на C(C++)/Python (в рамках прослушанного курса)
- Знание SQL желательно

=== Темы вводных занятий ===
test

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
test

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:58:32Z

Ivan.Lisenkov:

{{Карточка_командного_проекта
|name=test
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи
-Проводить разработку в изменяющихся условиях и требованиях
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!)
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum:

- Все студенты участники Scrum команды
- Product Owner от OpenTRM
- Scrum Master от OpenTRM

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP)
3. Планирование и проведение спринтов по разработке прототипа продукта
5. Проведение демонстраций
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
Python/C++
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB
ML: Keras/Theano(TensorFlow)/SciKit-Learn
Text processing: NLTK
Собственные библиотеки обработки данных

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...)
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!)
- Программирование на C(C++)/Python (в рамках прослушанного курса)
- Знание SQL желательно

=== Темы вводных занятий ===
test

=== Критерии оценки ===
test

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
test

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:58:17Z

Ivan.Lisenkov:

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:57:56Z

Ivan.Lisenkov:

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:57:34Z

Ivan.Lisenkov:

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:57:05Z

Ivan.Lisenkov: /* Организация работы (Как студенты будут работать в команде?) */

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:56:37Z

Ivan.Lisenkov:

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:56:24Z

Ivan.Lisenkov:

Test (командный проект)

2017-09-18T11:54:03Z

Ivan.Lisenkov: Ivan.Lisenkov переименовал страницу Test (командный проект) в Разработка сервиса классификации и извлечения информации из документов

#перенаправление [[Разработка сервиса классификации и извлечения информации из документов]]

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:54:03Z

{{Карточка_командного_проекта
|name=test
|company=test
|semester=Осень 2017
|course=3
|number_of_students=3-5
|categorize=yes
}}

=== Что это за проект? ===
test

=== Чему научатся студенты? Что самое интересное в проекте? ===
test

=== Организация работы (Как студенты будут работать в команде?) ===
test

=== Компоненеты (Из каких частей состоит проект?) ===
test

=== Какие будут использоваться технологии? ===
test

=== Какие начальные требования? ===
test

=== Темы вводных занятий ===
test

=== Критерии оценки ===
test

=== Похожие проекты ===
test

=== Контактная информация ===
test

Разработка сервиса классификации и извлечения информации из документов

2017-09-18T11:50:04Z

Ivan.Lisenkov: Новая страница, с помощью формы Новый_командный_проект

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-06T08:49:12Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
* PostgresSQL (возможно Redis как NoSQL)
* GIT(Bitbucket)

=== Темы вводных занятий ===
* Основы организации разработки продукта и управление проектами
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Основы синтаксический разбора естественного текста. Работа с текстовыми данными
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
* Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
* Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных 
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент. 
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-06T08:48:57Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
* PostgresSQL (возможно Redis как NoSQL)
* GIT(Bitbucket)

=== Темы вводных занятий ===
* Основы организации разработки продукта и управление проектами
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Основы синтаксический разбора естественного текста. Работа с текстовыми данными
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
* Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
* Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных 
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент. 
8-10 : Произведена экспериментальная проверка программы, развертывание в MS Azure, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:57:44Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
* PostgresSQL (возможно Redis как NoSQL)
* Microsoft Azure

=== Темы вводных занятий ===
* Основы организации разработки продукта и управление проектами
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Основы синтаксический разбора естественного текста. Работа с текстовыми данными
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
* Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
* Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных 
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент. 
8-10 : Произведена экспериментальная проверка программы, развертывание в MS Azure, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:56:33Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
* PostgresSQL (возможно Redis как NoSQL)
* Microsoft Azure

=== Темы вводных занятий ===
* Основы организации разработки продукта и управление проектами
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Основы синтаксический разбора естественного текста. Работа с текстовыми данными
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
* Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
* Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных 
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент. 
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:55:43Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
* PostgresSQL (возможно Redis как NoSQL)
* Microsoft Azure

=== Темы вводных занятий ===
* Основы организации разработки продукта и управление проектами
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Основы синтаксический разбора естественного текста. Работа с текстовыми данными
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
* Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
* Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:55:28Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
* PostgresSQL (возможно Redis как NoSQL)
* Microsoft Azure

=== Темы вводных занятий ===
* Основы организации разработки продукта и управление проектами
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Основы синтаксический разбора естественного текста. Работа с текстовыми данными
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
- Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
- Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
- Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:55:13Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
* PostgresSQL (возможно Redis как NoSQL)
* Microsoft Azure

=== Темы вводных занятий ===
- Основы организации разработки продукта и управление проектами
- Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
- Основы синтаксический разбора естественного текста. Работа с текстовыми данными
- Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
- Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
- Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
- Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:54:58Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
* Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
* Знание SQL желательно

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
- PostgresSQL (возможно Redis как NoSQL)
- Microsoft Azure

=== Темы вводных занятий ===
- Основы организации разработки продукта и управление проектами
- Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
- Основы синтаксический разбора естественного текста. Работа с текстовыми данными
- Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
- Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
- Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
- Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:54:45Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста (библиот
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
- Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
- Знание SQL желательно

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
- PostgresSQL (возможно Redis как NoSQL)
- Microsoft Azure

=== Темы вводных занятий ===
- Основы организации разработки продукта и управление проектами
- Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
- Основы синтаксический разбора естественного текста. Работа с текстовыми данными
- Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
- Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
- Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
- Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:53:55Z

Ivan.Lisenkov:

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не|очень|слегка…] <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть [не|очень|слегка…] <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть [не|очень|слегка…] <ТЕРМ 3>

Пример:

"....Если у ресторана очень низкие цены и качество еды высокое тогда количество посетителей большое...."

если Лингвистическая переменная(Цены) = [очень] низкие
и
Лингвистическая переменная(Качество) = высокое
тогда
Лингвистическая переменная(Количество посетителей) = большое

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Основам теории нечеткой логики (Fuzzy Logic)
- Современным подходам контекстного поиска и синтаксического разбора текста (библиот
- Писать надежный и понятный код
- Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
- Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
- Знание SQL желательно

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
- PostgresSQL (возможно Redis как NoSQL)
- Microsoft Azure

=== Темы вводных занятий ===
- Основы организации разработки продукта и управление проектами
- Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
- Основы синтаксический разбора естественного текста. Работа с текстовыми данными
- Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
- Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
- Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
- Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic) (проект)

2017-09-05T10:53:10Z

Ivan.Lisenkov: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Разработка сервиса поиска нечетких высказываний в естественном языке (Fuzzy Logic)
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan.Lisenkov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=2
|categorize=yes
}}

=== Что это за проект? ===
Проект заключается в развитии существующей программы формирования базы знаний правил нечеткой логики. На данный момент программа может создавать и редактировать правила нечеткой логики (Fuzzy Rules). Так же, есть возможность вычислять, по заданному входу, выходное значение на основе сохраненных правил нечеткой логики (Fuzzy Rules) посредством алгоритмов Mamdani и/или Tagaki-Sugeno. Программа имеет пользовательский интерфейс и сохранение информации в виде файлов. Следующий этап развития сервиса - это автоматический поиск возможных правил нечеткой логики в произвольном тексте (текстовая литература, новостные ленты информационных агенств, интернет итд). Найденные нечеткие правила, могут быть сопоставлены с уже ранее сохраненными в базе знаний и в случае необходимости могут быть уточнены экспертом. Так как количество нечетких правил данных будет существенно увеличиваться, необходимо настроить сохранение информации в базу данных. В результате проекта должен быть сформирован прототип сервиса поиска нечетких высказываний в произвольном тексте.

Общий формат правила нечеткого высказывания:

Если <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть [не

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Основам теории нечеткой логики (Fuzzy Logic)
- Современным подходам контекстного поиска и синтаксического разбора текста (библиот
- Писать надежный и понятный код
- Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
- Программирование на C(C++)/Python/Java (в рамках прослушанного курса)
- Знание SQL желательно

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- NLTK пакет библиотек и программ для символьной и статистической обработки естественного языка
- PostgresSQL (возможно Redis как NoSQL)
- Microsoft Azure

=== Темы вводных занятий ===
- Основы организации разработки продукта и управление проектами
- Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
- Основы синтаксический разбора естественного текста. Работа с текстовыми данными
- Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
- Формирование базы знаний нечеткими правилами, нечеткими и лингвистическими переменными на основе информации из открытых источников (internet)
- Использование разработанной программы и сформированной базы знаний для поддержки принятия решений
- Аналитическая обработка сформированной базы знаний. Выстраивание новых нечетких правил (логических цепочек) на основе сформированной базы знаний

=== Критерии оценки ===
4-5 : Программа переведена на работу с базой данных
6-7 : В программе реализована возможность выявлять из произвольного текста: правила нечеткой логики, лингвистические переменные, термы, модифицированные термы, и сопоставлять с уже определенными в базе знаний. Поставлен эксперимент.
8-10 : Произведена экспериментальная проверка программы, функциональные возможности программы документированы.

=== Ориентировочное расписание занятий ===
ПН 18.30-20.00, ПТ 17.30-19.30

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-10-14T12:21:14Z

Ivan.Lisenkov: /* Что это за проект? */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников) 

- Формализованную текстовую информацию (Лента новостей) 

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH 

-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору) 

-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios) 

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 

-Писать надежный и понятный код 

-Получите базовые знания работы на глобальных финансовых рынках 

-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market) 

-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации 

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников: 

-Архитектор решения/Аналитик 

-Разработчик 

-Тестировщик/постановщик задачи 

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование 

2. Формирование архитектуры будущего решения и проектирование 

3. Разработка модулей системы согласно ТЗ 

4. Интеграционное тестирование полученного решения 

5. Функциональное и пользовательское тестирование полученного решения 

6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса 

- R Language (+ библиотеки) 

- MOEX рыночные данные 

- Yahoo Finance, NASDAQ, NYMEX, CBOT... 

- Google Finance 

- Реляционные базы данных (MS SQL, PostgreSQL, Sybase) 

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc) 

- Основы финансовой математики и финансовых рынков 

- Статистическая обработка рыночной информации 

- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) 

- Основы теории нечеткой логики (Fuzzy Logic) 

- Основы проведения презентации 

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды; 
8-10: Подготовка расширенного описания своей задачи в виде предлагаемого комплекта проектной документации (Бизнес требования - BRD; Техническое задание - FSD; Документация по программе).

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-10-14T12:19:25Z

Ivan.Lisenkov: /* Темы вводных занятий */

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-10-14T12:18:58Z

Ivan.Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников) 

- Формализованную текстовую информацию (Лента новостей) 

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH 

-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору) 

-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios) 

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 

-Писать надежный и понятный код 

-Получите базовые знания работы на глобальных финансовых рынках 

-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market) 

-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации 

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников: 

-Архитектор решения/Аналитик 

-Разработчик 

-Тестировщик/постановщик задачи 

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование 

2. Формирование архитектуры будущего решения и проектирование 

3. Разработка модулей системы согласно ТЗ 

4. Интеграционное тестирование полученного решения 

5. Функциональное и пользовательское тестирование полученного решения 

6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса 

- R Language (+ библиотеки) 

- MOEX рыночные данные 

- Yahoo Finance, NASDAQ, NYMEX, CBOT... 

- Google Finance 

- Реляционные базы данных (MS SQL, PostgreSQL, Sybase) 

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc)
- Основы финансовой математики и финансовых рынков
- Статистическая обработка рыночной информации
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы теории нечеткой логики (Fuzzy Logic)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды; 
8-10: Подготовка расширенного описания своей задачи в виде предлагаемого комплекта проектной документации (Бизнес требования - BRD; Техническое задание - FSD; Документация по программе).

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-10-14T12:18:35Z

Ivan.Lisenkov: /* Компоненты (Из каких частей состоит проект?) */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников) 

- Формализованную текстовую информацию (Лента новостей) 

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH 

-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору) 

-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios) 

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 

-Писать надежный и понятный код 

-Получите базовые знания работы на глобальных финансовых рынках 

-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market) 

-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации 

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников: 

-Архитектор решения/Аналитик 

-Разработчик 

-Тестировщик/постановщик задачи 

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование 

2. Формирование архитектуры будущего решения и проектирование 

3. Разработка модулей системы согласно ТЗ 

4. Интеграционное тестирование полученного решения 

5. Функциональное и пользовательское тестирование полученного решения 

6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- R Language (+ библиотеки)
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc)
- Основы финансовой математики и финансовых рынков
- Статистическая обработка рыночной информации
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы теории нечеткой логики (Fuzzy Logic)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды; 
8-10: Подготовка расширенного описания своей задачи в виде предлагаемого комплекта проектной документации (Бизнес требования - BRD; Техническое задание - FSD; Документация по программе).

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-10-14T12:18:07Z

Ivan.Lisenkov: /* Организация работы (Как студенты будут работать в команде?) */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников) 

- Формализованную текстовую информацию (Лента новостей) 

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH 

-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору) 

-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios) 

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 

-Писать надежный и понятный код 

-Получите базовые знания работы на глобальных финансовых рынках 

-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market) 

-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации 

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников: 

-Архитектор решения/Аналитик 

-Разработчик 

-Тестировщик/постановщик задачи 

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование
2. Формирование архитектуры будущего решения и проектирование
3. Разработка модулей системы согласно ТЗ
4. Интеграционное тестирование полученного решения
5. Функциональное и пользовательское тестирование полученного решения
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- R Language (+ библиотеки)
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc)
- Основы финансовой математики и финансовых рынков
- Статистическая обработка рыночной информации
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы теории нечеткой логики (Fuzzy Logic)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды; 
8-10: Подготовка расширенного описания своей задачи в виде предлагаемого комплекта проектной документации (Бизнес требования - BRD; Техническое задание - FSD; Документация по программе).

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-10-14T12:17:41Z

Ivan.Lisenkov: /* Чему научатся студенты? Что самое интересное в проекте? */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников) 

- Формализованную текстовую информацию (Лента новостей) 

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH 

-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору) 

-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios) 

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 

-Писать надежный и понятный код 

-Получите базовые знания работы на глобальных финансовых рынках 

-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market) 

-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации 

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников:
-Архитектор решения/Аналитик
-Разработчик
-Тестировщик/постановщик задачи

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование
2. Формирование архитектуры будущего решения и проектирование
3. Разработка модулей системы согласно ТЗ
4. Интеграционное тестирование полученного решения
5. Функциональное и пользовательское тестирование полученного решения
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- R Language (+ библиотеки)
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc)
- Основы финансовой математики и финансовых рынков
- Статистическая обработка рыночной информации
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы теории нечеткой логики (Fuzzy Logic)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды; 
8-10: Подготовка расширенного описания своей задачи в виде предлагаемого комплекта проектной документации (Бизнес требования - BRD; Техническое задание - FSD; Документация по программе).

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-10-14T12:17:15Z

Ivan.Lisenkov: /* Что это за проект? */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников) 

- Формализованную текстовую информацию (Лента новостей) 

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH 

-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору) 

-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios) 

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи
-Писать надежный и понятный код
-Получите базовые знания работы на глобальных финансовых рынках
-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market)
-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников:
-Архитектор решения/Аналитик
-Разработчик
-Тестировщик/постановщик задачи

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование
2. Формирование архитектуры будущего решения и проектирование
3. Разработка модулей системы согласно ТЗ
4. Интеграционное тестирование полученного решения
5. Функциональное и пользовательское тестирование полученного решения
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- R Language (+ библиотеки)
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc)
- Основы финансовой математики и финансовых рынков
- Статистическая обработка рыночной информации
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы теории нечеткой логики (Fuzzy Logic)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды; 
8-10: Подготовка расширенного описания своей задачи в виде предлагаемого комплекта проектной документации (Бизнес требования - BRD; Техническое задание - FSD; Документация по программе).

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-09-25T20:11:51Z

Ivan.Lisenkov: /* Критерии оценки */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников)
- Формализованную текстовую информацию (Лента новостей)

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH
-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи
-Писать надежный и понятный код
-Получите базовые знания работы на глобальных финансовых рынках
-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market)
-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников:
-Архитектор решения/Аналитик
-Разработчик
-Тестировщик/постановщик задачи

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование
2. Формирование архитектуры будущего решения и проектирование
3. Разработка модулей системы согласно ТЗ
4. Интеграционное тестирование полученного решения
5. Функциональное и пользовательское тестирование полученного решения
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- R Language (+ библиотеки)
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc)
- Основы финансовой математики и финансовых рынков
- Статистическая обработка рыночной информации
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы теории нечеткой логики (Fuzzy Logic)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды; 
8-10: Подготовка расширенного описания своей задачи в виде предлагаемого комплекта проектной документации (Бизнес требования - BRD; Техническое задание - FSD; Документация по программе).

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-09-25T20:06:55Z

Ivan.Lisenkov: /* Критерии оценки */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников)
- Формализованную текстовую информацию (Лента новостей)

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH
-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи
-Писать надежный и понятный код
-Получите базовые знания работы на глобальных финансовых рынках
-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market)
-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников:
-Архитектор решения/Аналитик
-Разработчик
-Тестировщик/постановщик задачи

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование
2. Формирование архитектуры будущего решения и проектирование
3. Разработка модулей системы согласно ТЗ
4. Интеграционное тестирование полученного решения
5. Функциональное и пользовательское тестирование полученного решения
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- R Language (+ библиотеки)
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc)
- Основы финансовой математики и финансовых рынков
- Статистическая обработка рыночной информации
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы теории нечеткой логики (Fuzzy Logic)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды 
8-10: Подготовка расширенного описания своей задачи в виде полного комплекта проектной документации.

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06

Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект)

2016-09-25T19:53:18Z

Ivan.Lisenkov: /* Критерии оценки */

{{Карточка_командного_проекта
|name=Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики
|company=Open TRM (Open Trade and Risk Management)
|semester=Осень 2016
|course=3
|number_of_students=3-4
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход:
- историю финансовых котировок (из файлов или внешних источников)
- Формализованную текстовую информацию (Лента новостей)

Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH
-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи
-Писать надежный и понятный код
-Получите базовые знания работы на глобальных финансовых рынках
-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market)
-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации

=== Организация работы (Как студенты будут работать в команде?) ===
Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников:
-Архитектор решения/Аналитик
-Разработчик
-Тестировщик/постановщик задачи

В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

=== Компоненты (Из каких частей состоит проект?) ===
1. Инициация проекта и планирование
2. Формирование архитектуры будущего решения и проектирование
3. Разработка модулей системы согласно ТЗ
4. Интеграционное тестирование полученного решения
5. Функциональное и пользовательское тестирование полученного решения
6. Документирование и закрытие проекта

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- R Language (+ библиотеки)
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)

=== Какие начальные требования? ===
-Программирование на C/C++/Python (в рамках прослушанного курса)

=== Темы вводных занятий ===
- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc)
- Основы финансовой математики и финансовых рынков
- Статистическая обработка рыночной информации
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)
- Основы теории нечеткой логики (Fuzzy Logic)
- Основы проведения презентации

=== Критерии оценки ===
4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче 
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды 
8-10: Самостоятельное управление и координация своей задачи (без участия ментора). Подготовка расширенного описания своей задачи в виде документации.

=== Похожие проекты ===

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06