Интеллектуальный анализ данных в управлении производственными системами (подходы и методы)

Мыльников Л.А.1, Краузе Б.2, Кютц М.2, Баде К.2, Шмидт И.А.1
1 Пермский национальный исследовательский политехнический университет
2 Университет прикладных наук Анхальт

Научное издание / монография

Выпущено ООО Издательский дом «БИБЛИО-ГЛОБУС»

Мыльников Л.А., Краузе Б., Кютц М., Баде К., Шмидт И.А. (2017) Интеллектуальный анализ данных в управлении производственными системами (подходы и методы)  / ISBN: 978-5-9500501-7-6
  • Авторы: Мыльников Л.А., Краузе Б., Кютц М., Баде К., Шмидт И.А.
  • Год издания: 2017
  • УДК: 519.25
  • Тираж: 500 экз.
  • Формат: 60х84/16
  • Страниц: 334
  • Усл. печ. л.: 22,1
  • ISBN: 978-5-9500501-7-6
  • DOI: 10.18334/9785950050176
  • Эта книга проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=32310388

     

    Цитировать книгу:
    Мыльников Л.А., Краузе Б., Кютц М., Баде К., Шмидт И.А. Интеллектуальный анализ данных в управлении производственными системами (подходы и методы). М.:Библио-Глобус, 2017. – 334 с. – ISBN: 978-5-9500501-7-6 – doi: 10.18334/9785950050176

    Книга в каталоге РГБ: https://search.rsl.ru/ru/record/01009486714

    Аннотация:
    Актуальность данного исследования связана с повышающейся ролью прогностических моделей при управлении производственными системами, что связано с повышением требований к эффективности управления, необходимости учета внешних факторов, оказывающих влияние на систему, рассмотрение протекающих процессов в динамике и взаимосвязи цепочки управленческих решений и значений используемых параметров управления. Целью исследования является решение научно-практической проблемы, состоящей в развитии моделей и методов поддержки принятия эффективных решений для управления процессами реализации проектов в производственных системах на основе анализа информации о жизненном цикле проектов, их взаимодействия с другими проектами в рамках рассматриваемой системы с учетом фактора времени. Для достижения поставленной цели использовались методы инновационного менеджмента с точки зрения показателей эффективности управления; формализации задач управления в виде предиктивных моделей; подготовки данных для интеллектуального анализа данных и поддержки принятия управленческих решений; прогнозирования значений параметров представленных в виде временных рядов и применение временных рядов, как способа представления параметров исследуемого процесса; подходы из широкой области полу-контролируемого обучения, одновременно учитывающего структурированные и неструктурированные данные; методы оценки достоверности получаемых управленческих решений. Рассмотренные в монографии данные исследования позволяют получать и решать задачи управления производственными системами возникающие в практической деятельности на основе данные прогнозов для групп показателей и параметров участвующих в принятии решений, что позволяет повысить обоснованность и качество принимаемых управленческих решений.

    Ключевые слова: управление проектами, обучение, оценка риска, прогноз, статистические данные, временной ряд, управление производственными системами, параметры управления, подготовка данных, DataMining

    Источники:

    1. Ackermann T. IT Security Risk Management. — Wiesbaden: Springer Fachmedien, 2013.
    2. Aggarwal C. C. Data Mining: The Textbook. — 1st edition. — Springer, 2015. — ISBN 978-3319141411. — DOI: 10.1007/9783-319-47578-3. 3. Aggarwal C. C.OutlierAnalysis.—2ndedition.—Springer,2017.— ISBN 978-3-319-47577-6, 978-3-319-47578-
    3. — DOI: 10.1007/9783-319-47578-3.
    4. Allen M.,Cervo D.MasterDataManagementinPractice:Achieving True Customer MDM. — 1st edition. — Wiley Publishing, 2011. — ISBN 0470910550, 9780470910559.
    5. Allen M., Cervo D. Multi-Domain Master Data Management: Advanced MDM and Data Governance in Practice. — 1st edition. — San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2015. — ISBN 0128008350, 9780128008355.
    6. Alpaydin E. Introduction to Machine Learning. — 2nd edition. — MIT, 2010. — ISBN 026201243X, 9780262012430.
    7. Amberg M., Mylnikov L. Innovation project lifecycle prolongation method // Innovation and knowledge management in twin track economies: challenges & solutions. — 2009. — №1–3. — Pp. 491– 495.
    8. Anderson J. A. Discrete mathematics with combinatorics. — Prentice Hall, 2001.
    9. Atkinson W. I. Nanocosm nanotechnology and the big changes coming from the inconceivably small. — New York: Amacom, 2004. — ISBN 978-0-8144-2772-9.
    10. Bade K. Personalized Hierarchical Structuring. — Sierke, 2009.
    11. Basu S., Banerjee A., Mooney R. Active Semi-Supervision for Pairwise Constrained Clustering // Proceedings of the 2004 SIAM International Conference on Data Mining (SDM’04). — 2004.
    12. Basu S., Davidson I., Wagstaff K. Constrained Clustering: AdvancesinAlgorithms,Theory,andApplications. —1sted.—Chapman & Hall/CRC, 2008.
    13. Bilenko M., Basu S., Mooney R. Integrating Constraints and Metric Learning in Semi-Supervised Clustering // Proceedings of the twenty-first international conference on Machine learning (ICML’04). — 2004.
    14. Blum A.,Chawla S.Learningfromlabeledandunlabeleddatausing graph mincuts // Proceedings of the 18th International Conference on Machine Learning. — 2001.
    15. Brown M. G., Svenson R. A. Measuring R&D Productivity // Research & Technology Management. — 1998. — Vol. 41. — №6. — Pp. 30–35.
    16. Buchmann J. Valuing the Innovation Potential of Firms. — Wiesbaden: Springer Fachmedien, 2015.
    17. Burke E. K., Landa S. J. D., Soubeiga E. Hyperheuristic Approaches for Multiobjective Optimization // Proceeding of the MIC’2003. — Kyoto, Japan, 2003.
    18. Cheboli D. Anomaly Detection of Time Series. — Facility Of The Graduate School Of The University Of Minnesota, 2010. — P. 75.
    19. Chizi B.,Maimon O.DimensionReductionandFeatureSelection// Data Mining and Knowledge Discovery Handbook. — 2nd ed. — Springer Science, Business Media, 2010. — Pp. 83–100. — DOI: 10.1007/978-0-387-09823-4_5.
    20. Collopy F., Armstrong J. S. Rule-Based Forecasting: Development and Validation of an Expert Systems Approach to Combining Time Series Extrapolations // Management Science. — 1992. — Vol. 38. — №10. — Pp. 1394–1414. — ISSN 0025-1909, 1526-5501. — DOI: 10.1287/mnsc.38.10.1394.
    21. Damij N., Damij T. Process Management. — Berlin Heidelberg: Springer, 2014.
    22. Data Mining and Knowledge Discovery Handbook / ed. by O. Maimon, L. Rokach. — 2nd edition. — Springer Science, Business Media, 2010. — ISBN 978-0-387-09822-7.
    23. DeMarco T. Controlling Software Projects. — Yourdon Press, 1982.
    24. Demartini C. Performance Management Systems. — Berlin, Heidelberg: Springer, 2014.
    25. Engel E., Huettenberger L., B.H.ASurveyofDimensionReduction Methods for High-dimensional Data Analysis and Visualization // Visualization of Large and Unstructured Data Sets: Applications in Geospatial Planning, Modeling and Engineering - Proceedings of IRTG1131Workshop2011. Vol.27/ed.byC.Garth,A.Middel,H. Hagen. —Dagstuhl,Germany: SchlossDagstuhl–Leibniz-Zentrum fuer Informatik, 2012. — Pp. 135–149. — (OpenAccess Series in Informatics (OASIcs)). — ISBN 978-3-939897-46-0. — DOI: http: //dx.doi.org/10.4230/OASIcs.VLUDS.2011.135.
    26. Esposito F. P.MultipleHypothesisTestingofMarketRiskForecasting Models: MHT of Market Risk Forecasting Models // Journal of Forecasting. — 2016. — Vol. 35. — №5. — Pp. 381–399.
    27. Faloutsos C., Ranganathan M., Manolopoulos Y. Fast Subsequence Matching in Time-Series Databases // Proceedings of the ACM SIGMOD Conference on Management of Data. — 1994.
    28. Foster R. N. [et al.] Improving the Return on R&D - II // Research Management. — 1985. — Vol. 28. — №2. — Pp. 13–23.
    29. Gadatsch A. Grundkurs Geschaeftsprozessmanagement (Basic Course Business Process Management). — 6th ed. — Wiesbaden: Vieweg, Teubner, 2008.
    30. Gantt H. Organizing for Work. — New York: Harcourt Brace, Howe, 1919.
    31. Gantt H., Forrer D. Organizing for work / ed. by D. A. Forrer. — Florida: Donald A. Forrer, 2006. — ISBN 978-0-9779157-0-5.
    32. Geunes J., Taaffe K., Romeijn H. E. Models for integrated production planning and order selection // Proceedings of the 2002 Industrioal Engineering Research Conference (IERC). — Orlando, 2002.
    33. Gisbrecht A., B. H. Data visualization by nonlinear dimensionality reduction // WIREs Data Mining and Knowledge Discovery. — 2015. — Vol. 5. — №2. — Pp. 51–73.
    34. Graham W. [et al.] A Comparative Study of RNN for Outlier Detection in Data Mining // Proceedings of the 2002 IEEE InternationalConferenceonDataMining. —Washington,DC,USA: IEEE ComputerSociety, 2002. —P.709. —(ICDM’02). —ISBN0-76951754-4.
    35. Guyon I., Elisseeff A. An Introduction to Variable and Feature Selection // Journal of Machine Learning Research. — 2003. — Vol. 3. — Pp. 1157–1182.
    36. Hemada B., Lakshmi V. K. S. A Study On Discretization Techniques // International Journal of Engineering Research and Technology. — 2013. — Vol. 2. — №8. — Pp. 1887–1892.
    37. Irad B. G. Outlier Detection // Data Mining and Knowledge Discovery Handbook. — 2nd ed. — Springer Science, Business Media, 2010. — Pp. 1–16. — DOI: 10.1007/978-0-387-09823-4_5.
    38. Jaszkiewicz A. Genetic local search for multi-objective combinatorial optimisation // European Journal of Operational Research. — 2002. — №137.
    39. Jiawei H., Micheline K., Jian P. Data mining concepts and techniques. — 3rd ed. — San Francisco, CA, USA: Morgan Kaufmann, 2012. — ISBN 0123814790.
    40. Jose., Goyal P., Aggrwal P. Local deep kernel learning for efficient non-linear SVM prediction // Proceedings of the International Conference on Machine Learning. — Atlanta, Georgia, USA, 2013. — Pp. 486–494.
    41. Kaschny M., Nolden M., Schreuder S. Innovationsmanagement im Mittelstand (Innovation Management in Small and Medium-Siyed Businesses). — Wiesbaden: Springer, 2015.
    42. Kaski S., Peltonen J. Dimensionality Reduction for Data Visualization//SignalProcessingMagazine. —2011. —Vol.3.—№100. — Pp. 100–104.
    43. Kerssens van Drongelen I. C., Cook A. Design PPrinciples for the Development of Measurement Systems for Research and Development Processes // R&D Management. — 1997. — Vol. 27. — №4. — Pp. 345–357.
    44. Kim W. Y. [et al.] A Taxonomy of Dirty Data // Data Mining and Knowledge Discovery. — 2003. — Vol. 7. — №1. — Pp. 81–99.
    45. Kosko B. Fuzzy cognitive maps // International Journal of ManMachine Studies. — 1986. — Vol. 24. — №1. — Pp. 65–75. — ISSN 00207373. — DOI: 10.1016/S0020-7373(86)80040-2.
    46. Kotsiantis S.,Kanellopoulos D.DiscretizationTechniques: Arecent survey // GESTS International Transactions on Computer Science and Engineering. — 2006. — Vol. 32. — №1. — Pp. 47–58.
    47. Kuetz M. IT-Prozesse mit Kennzahlen steuern (To manage IT Processes with Performance Iindicators) // Controlling & Management Review. — 2014. — Vol. Sonderheft 1. — Pp. 76–79.
    48. Kuster J. [et al.] Project Management Handbookbook. — 1st english. — Berlin Heidelberg: Springer, 2015.
    49. Lemire D., Maclachlan A. Slope One Predictors for Online RatingBased Collaborative Filtering // SIAM Data Mining (SDM’05), Newport Beach, California, April 21–23. — 2005.
    50. Lintner J. The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets // Review of Economic and Statistic. — 1965. — Vol. 13 (47).
    51. Lloyd S. Measures of Complexity. — web.mit.edu/esd.83/ www/notebook/complexity.pdf.
    52. Maletic J. I., Marcus A. Data cleansing: A Prelude to Knowledge Discovery // Data Mining and Knowledge Discovery Handbook. — 2nd ed. — Springer Science, Business Media, 2010. — Pp. 19–32.
    53. Markowitz H.PortfolioSelection//JournalofFinance. —1952. — Vol. 7 (77).
    54. Markowitz H. Portfolio selection: efficient diversification of investments. — New Haven: Yale University, 1970.
    55. McCabe T. J.AComplexityMeasure//IEEETransactionsonSoftware Engineering. — 1976. — Vol. SE–2. — №4. — Pp. 308–320.
    56. Miller S. L., Childers D. Probability and Random Processes. — Burlington, San Diego, London: Elsevier, 2004.
    57. Mitchell T. Machine learning. — McGraw Hill, 1997.
    58. Moeller K., Schulze W., Steinmann J. C. Innovationssteuerung durch entscheidungsrelevante Informationen (Control of innovation with decision relevant information) // Business Innovation: Das St. GallerModell/ed.byC.P.Hoffmann[etal.]. —Springer, 2016. — Chap. 10. Pp. 141–162.
    59. Mossin J. Equilibrium in a Capital Asset Market // Econometrica. — 1966. — Vol. 34. — №4. — P. 768. — ISSN 00129682. — DOI: 10.2307/1910098.
    60. Equilibrium in a Capital Asset Market. — 1966. — Vol. 34 (768).
    61. Mylnikov L. A. A system view of the problem of the modeling and control of production innovations // Scientific and Technical Information Processing. — 2012. — Vol. 39. — №2. — Pp. 93–106.
    62. Mylnikov L., Amberg M.TheForecastingofInnovationProjectsParameters // 21st International-Business-Information-ManagementAssociation Conference on Vision 2020: Innovation, Development Sustainability, and Economic Growth. — 2013. — Vol. 1–3. — Pp. 1017–1029.
    63. Oestereich B., Weiss C. APM - Agiles Projektmanagement (Agile Project Management). — Heidelberg: DPunkt, 2008.
    64. Orair G. H. [et al.] Distance-Based Outlier Detection: Consolidation and Renewed Bearing // PVLDB. — 2010. — Vol. 3. — №2. — Pp. 1469–1480.
    65. Oslo Manual: Guidelines for Collecting and Interpreting Innovation Data / под ред. OECD, Eurostat. — OECD / European Communities, 2005.
    66. Palmer R., Cockton J., Cooper G. Managing marketing. — Amsterdam: Butterworth-Heinemann, 2007.
    67. Parviainen E. Studies on dimension reduction and feature spaces. — 1st ed. — Lääketieteellisen tekniikan ja laskennallisen tieteen laitos: Aalto University publication series doctorial dissertations, 2011. — ISBN 978-952-60-4312-8, 978-952-60-4311-1.
    68. Power D. J. Understanding Data-Driven Decision Support Systems // Information Systems Management. — 2008. — Vol. 25. — №2. — Pp. 149–154. — DOI: 10.1080/10580530801941124.
    69. Pyle D. Data Preparation for Data Mining. — 1st ed. — San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1999. — ISBN 1558605290, 9781558605299.
    70. Riemer K., Sciefleet P. Enterprise social networking in knowledgeintensive work practices: A case study in a professional service firm // Proceedings of the 23rd Australasian Conference on Information Systems 2012. — 2012. — Pp. 1–12.
    71. Schema Design for Time Series Data in MongoDB. — URL: https: //www.mongodb.com/blog/post/schema-design-for-timeseries-data-in-mongodb.
    72. Scott E. J. Idea-to-Launch (Stage-Gate) Model: An Overview. — 2015. — www.stage-gate.com.
    73. Semi-supervised Learning / ed. by O. Chapelle, B. Schoelkopf, A. Zien. — MIT, 2006.
    74. Sharpe W. F.CapitalAssetPrices: ATheoryofMarketEquilibrium under Conditions of Risk // Journal of Finance. — 1964. — Vol. 19 (425).
    75. Shmidt I. Data in the Trial of Complex Technical Products // Proceedings of International Conference on Applied Innovation in IT. — HS Anhalt, 2014. — Pp. 85–87.
    76. Suslova A.,Mylnikov L.,Krause B.Prognosticmodelforestimation of innovative activity factors of regions by example of the patenting data based on cognitive map modeling // European Researcher. — 2013. — Vol. 61. — №10. — Pp. 2508–2517.
    77. Syswerda G.Uniformcrossoveringeneticalgorithms//Proceedings of the Third International Conference on Genetic Algorithms / ed. by J. D. Schaffer. — Morgan Kaufmann, 1989. — Pp. 2–9.
    78. Taylor F. The Principles of Scientific Management. — 1911.
    79. Time Series, метрики и статистика: знакомство с InfluxDB tutorial. Блог компании Селектел, 1 декабря 2014. — URL: https://habrahabr.ru/company/selectel/blog/245515/.
    80. Timmons J. A., Spinelli S. New venture creation: entrepreneurship for the 21st century. — Boston: McGraw-Hill, 2007.
    81. Van den Heuvel W. [et al.] Integrated market selection and productionplanning: complexityandsolutionapproaches//Mathematical Programming. — 2012. — Vol. 134. — №2. — Pp. 395–424. — DOI: 10.1007/s10107-011-0441-7.
    82. Vanini U. Risikomanagement: Grundlagen, Instrumente, Unternehmenspraxis. — Stuttgart: Schaeffer-Poeschel, 2012.
    83. Voigt K.-I. Industrielles Management. — Springer, 2008. — P. 695.
    84. Wagstaff K. [et al.] Constrained k-means clustering with background knowledge // Proceedings of 18th International Conference on Machine Learning. — 2001. — Pp. 577–584.
    85. Wittgenstein L. Tractatus Logico-Philosophicus. — New York: Kegan P., 1922.
    86. Xiaojin Z. Semi-Supervised Learning With Graphs. — Carnegie Mellon University, 2005.
    87. Xiaojin Z. [et al.] Humans Perform Semi-supervised Classification Too // Proceedings of the 22nd National Conference on Artificial Intelligence. — Vol. 1. — AAAI, 2007. — Pp. 864–869.
    88. YAWNDB — time series база данных. Блог компании Селектел, 1 апреля 2014. — URL: https://habrahabr.ru/company/ selectel/blog/217801/comment_7468965.
    89. Young H. P. The Evolution of Conventions // Econometrica. — 1993. — Vol. 61. — №1. — P. 57. — ISSN 00129682. — DOI: 10.2307/2951778.
    90. Z. X. Semi-Supervised Learning Literature Survey: тех. отч. / University of Wisconsin-Madison. — 2008.
    91. Ziemba P., Piwowarski M. Feature selection methods in data mining techniques // Prace Naukowe Uniwersytetu Ekonomicznego we Wrocawiu. — 2011. — Vol. 206. — Pp. 213–223.
    92. Абдуллаев А. Р., Мыльников Л. А., Васильева Е. Е. О рисках в инновационных проектах: причины появления, интегральные риски, экспертиза проектов с учетом рисков // Экономический анализ: теория и практика. — 2012. — №40 (295). — С. 41–49.
    93. Алексеев В. И. Анализ и прогнозирование циклических временныхрядовсиспользованиемвейвлетовинейросетевыхнечетких правил вывода // Вестник Югорского государственного университета. — 2013. — №3 (30). — С. 3–10.
    94. Андерсон Т. Статистический анализ временных рядов. — М.: Мир, 1976.
    95. Батищева С. Э., Каданэр Э. Д., Симонов П. М. Математические модели микроэкономики. — Пермь: Пермский государственный университет, 2006.
    96. Бэнкер К. MongoDB в действии = MongoDB in Action. — ДМК, 2014.
    97. Васильев Ф. П. Методы оптимизации. — М.: Факториал Пресс, 2002.
    98. Вентцель Е. С. Теория вероятностей. — М.: Высшая школа, 1989.
    99. Гловацкая А. П. Методы и алгоритмы вычислительной математики. — М.: Радио и связь, 1999.
    100. Голощапов Е. С.,Потехин В. В.Оптимальноехранениевременных рядов // Материалы научно-практической конференции c международным участием. — Институт информационных технологий и управления, Санкт-Петербургский политехнический университет Петра Великого, 2014.
    101. Гуревич И. М. Законы информатики - основа строения и познания сложных систем. — М.: ТОРУС ПРЕСС, 2007.
    102. Дейт К. Д. Введение в системы баз данных = Introduction to Database Systems. — 8-е издание. — М.: Вильямс, 2005.
    103. Евстратов Е. Н., Мыльников Л. А., Столбов В. Ю. Определение групп продукции для совместного выпуска на основе статистического анализа продаж // Теория активных систем: труды международной научно-практической конференции «Управление большими системами». — М.: ИПУ РАН, 2011. — С. 143– 148.
    104. Еремеевский А. А.,Ханов В. Х.Методпоисказаданногошаблона во временном ряду // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. — 2010. — №4.
    105. Жирнов В. И. Интеллектуальная поддержка процесса объемного планирования дискретного производства при нечетких ограничениях на ресурсы предприятия и меняющейся конъюнктуре рынка: Дисс. на соискание ученой степени канд. техн. наук. — Пермь: Пермский национальный исследовательский политехнический университет, 2009.
    106. Когаловский В. Происхождение ERP // Директор информационной службы. — 2000. — №5.
    107. Кремера Н. Ш. Исследование операций в экономике. — М.: Банки и биржи, ЮНИТИ, 1997.
    108. Кривоносова Е. К., Первадчук В. П., Кривоносова Е. А. Сравнение фрактальных характеристик временных рядов экономических показателей // Современные проблемы науки и образования. — 2014. — №6.
    109. Молородов Ю. И., Ширшов П. Е. Информационновычислительная среда для хранения и обработки временных рядов данных наблюдений // Интерэкспо Гео-Сибирь. — 2010. — Т. 4. — №2.
    110. Мордвинов И. В. Хранение, анализ и прогнозирование временных рядов в реляционных СУБД // Молодежь и наука: Сборник материалов VII Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых, посвященной 50-летию первого полета человека в космос. — Красноярск: Сибирский федеральный университет, 2011.
    111. Мыльников Л. А., Трушников Д. Н. Моделирование систем: практикум (учебное пособие по курсу «Моделирование систем»). — Пермь: ПГТУ, 2006.
    112. Намиот Д. Е. Базы данных временных рядов и средства обработки // Материалы 4-й Научно-практической конференции «Актуальные проблемы системной и программной инженерии». — М.: НИУ ВШЭ, 2015.
    113. Нильсон Н. Исскуственный интеллект (методы поиска решений). — М.: Мир, 1973.
    114. Новиков Ф.Дискретнаяматематикадляпрограммистов.—СПб: Питер, 2004.
    115. Прохоров А. Ю.Алгоритмы,методыхранения,поискаианализа временных рядов в промышленных СУБД. — 2001.
    116. Прохоров А. Ю. Использование ОРСУБД для хранения и анализа временных рядов // Компьютер Пресс. — 2001. — №6, 7.
    117. Рассел С., Норвиг П. Искусственный интеллект: современный подход. — М.: Вильямс, 2006.
    118. Сергиенко А. Б. Цифровая обработка сигналов. — СПб: Питер, 2002.
    119. Файзрахманов Р. А. [и др.] Методика определения и уточнения значений коэффициентов связей когнитивных карт на примере анализа взаимосвязи объемов финансирования научных исследований и патентной активности // Экономический анализ: теория и практика. — 2013. — №30 (333). — С. 43–51.
    120. Фаулер М., Прамодкумар Д. С. NoSQL: новая методология разработки нереляционных баз данных = NoSQL Distilled. — М.: Вильямс, 2013.
    121. Фогель Л., Оуэнс А., Уолш М. Искусственный интеллект и эволюционное моделирование. — М.: Мир, 1969.
    122. Цыганов В. В.,Бородин В. А.,Шишкин Г. Б.Интеллектуальное предприятие. — М.: Университетская книга, 2004.
    123. Шабельников А. Н., Шабельников В. А. Поиск аномалий в технических базах данных временных рядов // Известия Южного федерального университета. Технические науки. — 2008. — №4 (81). — С. 167–173.
    124. Шмидт И. А., Васенев Н. В. Выбор оптимальной JSON-модели для хранения результатов испытаний // Фундаментальные исследования. — 2016. — №11–3. — С. 620–625.

    Страница обновлена: 28.07.2020 в 00:00:01