Прикладные задачи менеджмента

Научное издание / монография

Выпущено ООО Издательство «Креативная экономика»

Эта книга проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=32593618

Книга доступна в ЭБС ЛАНЬ: https://e.lanbook.com/book/115987

Книга доступна в ЭБС Znanium: https://znanium.com/catalog/document?id=425240

Цитировать книгу:
Кричевский М.Л. Прикладные задачи менеджмента. М.:Креативная экономика, 2018. – 210 с. – ISBN: 978-5-91292-221-3 – doi: 10.18334/9785912922213

Книга в каталоге РГБ: https://search.rsl.ru/ru/record/01009590984

Аннотация:
Приведены решения наиболее часто встречающихся практических задач в области менеджмента, в частности, в сфере управления персоналом, финансового менеджмента, прогнозирования временных рядов. Все задачи решены с применением инструментов из области искусственного интеллекта, включающих нейронные сети, нечеткую логику, нейронечеткие системы. Подобная методология создала основу для перехода к количественному менеджменту. Книга может быть полезна специалистам-аналитикам, преподавателям, аспирантам, студентам в области менеджмента, использующим в своей работе интеллектуальные технологии.

Ключевые слова: нечеткая логика, нейронные сети, количественные методы в менеджменте, временные ряды в менеджменте

Источники:

1. Curwin J. , Slater R. Quantitative Methods for Business Decisions. London, Cengage Learning EMEA. 2008. – 790 p.
2. Jolliffe I. Principal Component Analysis. New York: Springer. – 2002. – 518 p.
3. R. Bro, A. K. Smilde. Principal component analysis. Anal. Methods, 2014, 6, 2812 – 2831.
4. ec.europa.eu/eurostat (дата обращения 24.01.17)
5. Kaufman L., Rousseeuw P.J. Finding Groups in Data: An Introduction to Cluster Analysis. – New York. Wiley&Sons. 2005. – 336 p.
6. Everitt B.S., Landau S., Leese M. et al. Cluster Analysis. – New York. Wiley&Sons. 2011. –346 р.
7. Sarstedt M., Mooi E. A Concise Guide to Market Research. Springer-Verlag, Berlin, Heidelberg. 2014. – 328 р
8. Хайкин С. Нейронные сети: полный курс. – М.: Изд. дом Вильямс, 2006. – 1104с.
9. McNelis P. D. Neural networks in finance: gaining predictive edge in the market. Elsevier Academic Press, 2005. – 261 р.
10. Kriesel D. A Brief Introduction to. Neural Networks. Download location. http://www.dkriesel.com/en/science/neural_networks.
11. Минский М., Пайперт С. Персептроны. – М.: Мир, 1971. – 365 с.
12. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representations by Error Propagation. // Parallel Distributed Processing. Eds. Rumerhart D.E., McClelland J.L. Vol. 1, chap. 8, Cambridge: MIT Press, 1986.
13 Vapnik V.N. Statistical Learning Theory. – NY: J.Wiley, 1998. – 740 p.
14. G. E. Hinton, R. R. Salakhutdinov. Reducing the Dimensionality of Data with Neural Networks. Science, 2006, № 313, Р. 504–507.
15. Гудфеллоу Я., Бенджио И., Курвилль А.. Глубокое обучение. – М.: ДМК-Пресс, 2017. – 652 с.
16. Инвестиционная деятельность в России: условия, факторы, тенденции. – М.: Росстат, 2016. http://www.gks.ru/wps/wcm/connect/ rosstat_main/rosstat/ru/statistics/publications/catalog/doc_1140095471812.
17. www.basegroup.ru – Технологии анализа данных.
18. Kecman V. Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models. The MIT Press, Cambridge, 2001. – 542 p.
19. Л. Заде. Понятие лингвистической переменной и его применение к принятию приближенных решений. – М.: Мир, 1976. – 166 с.
20. Bojadziev G., Bojadziev V. Fuzzy Logic for Business, Finance and Management. World Scientific, Singapore, 2007. – 232 p.
21. Пегат А. Нечеткое моделирование и управление.  М.: Бином. Лаборатория знаний, 2009. – 798 с.
22. Kecman V. Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models. MIT Press, Cambridge, MA, 2001 – 542 p.
23. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH.  СПб: БХВ-Петербург, 2003. – 736 с.
24. www.mathworks.com – Описание MATLAB R2012b
25. Дмитриева С.В., Кричевский М.Л., Мартынова Ю.А. Оценка качества при подборе персонала // Актуальные проблемы экономики и управления.  2016.  № 2(10).  С. 95 100.
26. Кричевский М.Л., Козлова Ю.А. Оценка привлекательности инновационных продуктов // Управление риском.  2015.  № 1.  С. 58 64.
27. Jang J-S. R., C-T Sun, E. Mizutani (1997). Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence.Prentice-Hall,рр: 640.
28. Dursun, M., Karsak, E. E. (2010). A fuzzy MCDM approach for personnel selection. Expert Systems with Applications, 37(6): 4324 4330.
29. Rouyendegh B.D., T.E. Erkan (2013). An application of the fuzzy ELECTRE method for academic staff selection. Human Factors and Ergonomics in Manufacturing and Service Industries, 23(2): 107 115.
30. G. Kirchgдssner, J.Wolter. Introduction to Modern Time Series Analysis. Springer-Verlag Berlin Heidelberg, 2007. – 276 p.
31. Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. Вып. 1. – М.: Мир, 1974. – 406 с.
32. Brown, R. G. Smoothing, forecasting and prediction of discrete time series. Englewood Cliffs, NJ7 Prentice-Hall, 1963. – 468 р.
33. Gardner Jr., E. S., Exponential smoothing: The state of the art – Part II. 2005. http://www.bauer.uh.edu/gardner/docs/pdf/Exponential-Smoothing.pdf.
34. Gardner Jr., E. S. Exponential smoothing: The state of the art. Journal of Forecasting, 1985, 4, Р. 1–38.
35. Hyndman, R. J., Koehler, A. B., Snyder, R. D., & Grose, S. A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, 2002, 18, Р. 439–454.
36. Guide to Seasonal Adjustment with X-12-ARIMA, https://www. google.ru/search?sourceid=navclient&hl, 2007.
37. Chatfield C. Time-series forecasting. Chapman & Hall/CRC, London, 2000. – 266 р.
38. Engle R.F. Autoregressive conditional Heteroscedasticity with estimates of the variance of the United Kingdom inflation. Econometrica, 1982, V. 50, Р. 987–1007.
39. Дженкинс Г., Ваттс Д. Спектральный анализ и его приложения. Вып. 1. – М.: Мир, 1971. – 317 с.
40. Гренджер К., Хатанака М. Спектральный анализ временных рядов в экономике. – М.: Статистика,1972. – 312 с.
41. Малла С. Вейвлеты в обработке сигналов. – М.: Мир, 2005. – 671 с.
42. Percival D., Walden A. Wavelet Methods for Time Series Analysis, Cambridge University Press, 2000. – 594 р.
43. Колмогоров А.Н. Интерполирование и экстраполирование стационарных случайных последовательностей // Изв. АН СССР, серия математическая. – 1941. – Т. 5. – № 1. – С. 3–14.
44. Wiener N. Extrapolation, interpolation and smoothing of stationary time series, N. Y., 2013 (Reprint of 1949 Edition). – 174 р.
45. Tsay R. S. Аnalysis of financial time series. John Wiley & Sons, 2002. – 457 р.
46. Song Q., Chissom B.S. Fuzzy time series and its models, Fuzzy Sets and Systems, 1993, 54, Р. 269–277.
47. Song Q., Chissom B.S. Forecasting enrollments with fuzzy time series – part 1, Fuzzy Sets and Systems ,1993, 54, Р. 1–9.
48. Song Q., Chissom B.S. Forecasting enrollments with fuzzy time series – part 2, Fuzzy Sets and Systems, 1994, 62, Р. 1–8.
49. Chen S-M. Forecasting enrollments based on fuzzy time series, Fuzzy Sets and Systems, 1996, 81, Р. 311–319.
50. Huarng K. Heuristic models of fuzzy time series for forecasting. Fuzzy Sets and Systems, 2001, 123, Р. 369–386.
51. Кричевский М.Л. Прогнозирование нечетких временных рядов // Актуальные проблемы экономики современной России». –2013. – Вып. 9. – С. 162–166.

Страница обновлена: 24.01.2023 в 17:31:59