- •1.Понятие и структура информационной технологии.
- •2. Классификация информационных технологий
- •3. Этапы развития ит
- •4 Перспективы развития информационных технологий
- •5.Информационные потоки на предприятии.
- •6 Внешняя и внутренняя информация.
- •7.Информационные системы и автоматизированные рабочие места (рабочие станции).
- •8. Информационная модель арм
- •9.Организационное, техническое и технологическое обеспечение apm.
- •10 Информационная модель предприятия
- •11.Методология sadt, case – технологии.
- •12. Стандарты семейства idef
- •13. Электронная документация (безбумажная технологтя)
- •14.Электронный документооборот
- •15. Функциональные требования к системам автоматизации делопроизводства
- •16.Потребительские свойства системы электронного документооборота
- •17.Функциональные требования к системам автоматизации делопроизводства.
- •18.Технологии WorkFlow.
- •19.Электронная цифровая подпись.
- •20.Платежные системы в электронной коммерции
- •21.Классификация ис по уровням управления на предприятии: транзакционные и аналитические системы.
- •22. Свойства транзакций, механизм обработки транзакций.
- •Плоские транзакции.
- •Контрольные точки
- •Многозвенные транзакции
- •Вложенные транзакции
- •23. Обеспечение надежности хранения данных в oltp-системах.
- •24.Системы управления эффективностью бизнеса(bpm системы)
- •25. Понятие и классификация корпоративных информационных систем.
- •26. Характеристика основных международных стандартов управления предприятием: mps, mrp, crp, mrp II, erp, scm, crm, csrp, mes, eam, jit, erp II, Collaborative erp.
- •27. Мировой и российский рынок кис: ведущие поставщики, распределение по вендорам, объемы внедрений.
- •28 Тенденции развития рынка кис.
- •29 Модели данных современных субд
- •30. Понятие и основные характеристики Хранилищ данных
- •31. Оперативный склад данных. Витрина данных.
- •32. Построение виртуальных источников данных.
- •33. Понятие сппр, основные функции.
- •34 Характеристики систем поддержки принятия решений
- •35. Классификация и структура сппр.
- •36.Eis и dss системы.
- •37.Типы задач, решаемые сппр
- •38. Современный рынок решений класса сппр.
- •39.Технологии оперативной обработки данных olap.
- •40. Системы интеллектуального анализа данных Data Mining.
- •41.Виды компьютерных сетей и особенности информационных технологий на их основе.
- •42. Классификация сетевых технологий.
- •43. Локальные вычислительные сети.
- •44. Характеристика беспроводных и кабельных сетевых технологий.
- •Принцип действия Bluetooth
- •Принцип работы
- •Преимущества Wi-Fi
- •Недостатки Wi-Fi
- •45. Возможности сети internet. Адресация и протоколы internet. Системы адресации в Internet
- •Протоколы Internet
- •Возможности сети Internet
- •46.Особенности работы с различными службами internet. Гипертекстовые технологии. Поиск информации в www.
- •47. Необходимость защиты информации.
- •48. Наиболее распространенные угрозы безопасности экономических информационных систем.
- •49. Методы и средства защиты информации
- •Аппаратные методы защиты
- •Программные методы защиты
- •Резервное копирование
- •Криптографическое шифрование информации
- •Физические меры защиты
- •Организационные мероприятия по защите информации
- •50.Направления защиты информации.
39.Технологии оперативной обработки данных olap.
Электронная аналитическая обработка (On-Line Analytical Processing – OLAP) баз данных упрощает обработку запросов бизнес-аналитики. Бизнес-аналитика – это процесс извлечения данных из базы данных OLAP с последующим анализом этих данных для получения сведений, которые можно использовать для разработки обоснованных деловых решений и принятия мер. OLAP – это технология организации баз данных, оптимизированная для обработки запросов и получения отчетов, вместо обработки транзакций. Источником данных для OLAP являются базы данных систем оперативной обработка транзакций (OLTP), обычно размещенные в хранилищах данных. Данные OLAP выводятся из этих данных за длительный период времени и объединяются в структуры, дающие возможность сложного анализа. Данные OLAP организуются иерархически и хранятся в кубах вместо таблиц. Это сложная технология, использующая многомерные структуры для обеспечения быстрого доступа к данным для анализа. Такая организация позволяет легко создавать отчеты сводных таблиц и сводных диаграмм для отображения высокоуровневых сводок, таких как совокупность продаж по всей стране, а также отображать подробности для мест, где продажи чрезвычайно велики или малы.
Базы данных OLAP содержат два основных типа данных: показатели, являющиеся числовыми данными, количества и средние значения, используемые для разработки обоснованных деловых решений, и размерности, являющиеся категориями, используемыми для организации этих показателей. Базы данных OLAP помогают организовать данные по многим уровням детализации, используя знакомые категории для анализа данных.
40. Системы интеллектуального анализа данных Data Mining.
Интеллектуальный анализ данных
Интеллектуальный анализ данных (Data Mining) — это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации).
При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания.
В общем случае процесс интеллектуального анализа данных состоит из трёх стадий:
Выявление закономерностей
Использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование)
Анализ исключений, предназначенный для выявления и толкования аномалий в найденных закономерностях
Компьютерными технологиями, образующими Data Mining являются:
Статистические пакеты. Полезны главным образом для проверки заранее сформулированных гипотез и для "грубого" разведочного анализа, составляющего основу оперативной аналитической обработки данных. Хорошо известны пакеты SPSS, STATGRAPHICS, STATISTICA, STADIA.
Нейронные сети и их вариации. Представляют собой сеть взаимосвязанных элементов, которые являются математической моделью нейронов головного мозга. Используются для определения априорно неизвестных сложных функциональных зависимостей на основании статистических данных. Отличительная особенность - возможность обучения. После обучения нейронная сеть становится моделью, которую можно применить к новым данным с целью прогнозирования. Основным недостатком в этом случае является необходимость иметь очень большой объем обучающей выборки. Наиболее известные примеры - BrainMaker, NeuroShell, OWL, NeuroScalp, Эврика+.