- •2. Программные и аппаратные средства кит. Перспективы и направления развития кит.
- •3. Математические модели решения экономических задач. Целевые функции, ограничения. Методы оптимизации.
- •4.Основы прогнозирования. Аппроксимация. Среднеквадратическое отклонение.
- •5.Стандартные функции прогнозирования. Линейная аппроксимация.
- •6.Стандартные функции прогнозирования. Экспоненциальная
- •10.Ска Maple. Исследование функций. Экстремум.
- •11. Ска Maple. Исследование функции. Минимум и максимум.
- •12. Ска Maple. Отыскание оптимума. Симплекс – метод.
- •15.Ска Maple. Линейная алгебра. Решение линейных уравнений.
- •19.Ска Maple. Статистика. Модули библиотеки.
- •21.Ска Maple. Статистика. Описательные характеристики.
- •22.Ска Maple. Финансовые функции.
- •23.Компьютерные сети. Основные виды и их характеристики.
- •24.Компьютерные сети. Топология сетей.
- •25.Компьютерные сети. Адресация в сетях.
- •26.Технологии доступа в интернет.
- •27.Internet/Intranet – технологии. Протоколы tpc/ip.
- •28. Internet/Intranet – технологии. Электронные сервисы.
- •29. Internet/Intranet – технологии. Url. Доменные адреса верхнего уровня.
- •30. Internet/Intranet – технологии. Служба доменных имён.
- •31. Internet/Intranet – технологии. Характеристики и особенности современных web – браузеров.
- •32. Тенденции развития Internet.
- •33. Стандарты интеграции систем (mrp, mrpii)
- •34. Стандарты интеграции систем( erp, crm, csrp)
- •35. Понятие бизнес-моделей в2в, в2с
- •36. Геоинформационные системы
- •37.Методологии информационного и функционального моделирования.
- •38. Программное обеспечение для моделирования корпоративных информационных сетей.
- •39. Реинжиниринг бизнес-процессов.
- •40. Моделирование бизнес-процессов.2вида моделей(as is,to be)
- •42. Технологии автоматизированного проектирования кис(case,rad).
- •41.Информационные технологии и реинженеринг бизнес-процессов.
- •43. Html. Название. Основные тэги.
- •44. Html. Структура документа.
- •45. Html. Тэги заголовка, параграфа, предварительного форматирования, разрыва строки.
- •46. Html. Нумерованные списки.
- •47. Html. Ненумерованные списки.
- •48. Html. Гипертекстовые ссылки.
- •49. Html. Рисунки.
- •50.Html. Таблицы. Основные тэги.
- •51.Html. Интерактивные формы. Основной тэг.
- •53. Css. Назначение и основные понятия.
- •54.Css. Правила описания различных вариантов использования таблиц каскадных стилей.
- •56.Средства разраотки web-приложений.
- •57. Искусственный интеллект. Основные понятия.
- •58. Искусственный интеллект. Модели представления знаний.
- •59. Искусственный интеллект. Экспертные системы.
- •60. Искусственный интеллект. Нейросети.
- •61. Поисковые машины в Internet. Принципы организации поисковых систем.
- •62. Особенности русскоязычных поисковых систем. Организация поисковых запросов в русскоязычных поисковых машинах.
- •63. Программы для стат. Анализа.
- •64. Программы для специальности. Бухгалтерский учёт.
11. Ска Maple. Исследование функции. Минимум и максимум.
Для нахождения максимума функции f(x) по переменной х на интервале используется команда maximize(f,x,x=x1..x2), а для нахождения минимума функции f(x) по переменной х на интервале используется команда minimize(f, x, x=x1..x2).
12. Ска Maple. Отыскание оптимума. Симплекс – метод.
Если требуется найти переменные, при которых линейная функция многих переменных имеет максимум (или минимум) при выполнении определенных ограничений, заданных в виде линейных равенств или неравенств, то следует использовать симплекс-метод. Для этого сначала необходимо загрузит пакет simplex, а затем воспользоваться командой maximize (или minimize), где теперь в качестве range можно указывать в фигурных скобках ограничительную систему неравенств. Пакет simplex предназначен для решения задач линейной оптимизации. После его загрузки команды maximize и minimize меняют свое действие. Теперь эти команды выдают координаты точек, при которых заданная линейная функция имеет максимум или минимум. При этом допускается дополнительная опция для поиска только неотрицательных решений NONNEGATIVE.
14.СКА Maple. Линейная алгебра. Матричные операции.Для определения матрицы в Maple можно использовать команду matrix(n, m, [[a11,a12,…,a1n], [a21,a22,…,a2m],…, [an1,an2,…,anm]]), где n число строк, m – число столбцов в матрице. Эти числа задавать необязательно, а достаточно перечислить элементы матрицы построчно в квадратных скобках через запятую. Например: > A:=matrix([[1,2,3],[-3,-2,-1]]);
В частности диагональную матрицу можно получить командой diag. Например: > J:=diag(1,2,3);Сложение двух матриц одинаковой размерности осуществляется теми же командами, что и сложение векторов: evalm(A+B) или matadd(A,B). Произведение двух матриц может быть найдено с помощью двух команд: evalm(A&*B); multiply(A,B). Команда evalm позволяет также прибавлять к матрице число и умножать матрицу на число. Например: > С:=matrix([[1,1],[2,3]]): > evalm(2+3*С). Определитель матрицы А вычисляется командой det(A). Команда minor(A,i,j) возвращает матрицу, полученную из исходной матрицы А вычеркиванием i-ой строки и j-ого столбца. Минор Mij элемента aij матрицы А можно вычислить командой det(minor(A,i,j)). Ранг матрицы А вычисляется командой rank(A). След матрицы А, равный сумме ее диагональных элементов, вычисляется командой trace(A). Транспонирование матрицы А – это изменение местами строк и столбцов. Полученная в результате этого матрица называется транспонированной и обозначается А'. Транспонированную матрицу А' можно вычислить командой transpose(A).
15.Ска Maple. Линейная алгебра. Решение линейных уравнений.
Систему линейных уравнений можно решить тремя способами. 1.командой solve 2.по правилу Крамера 3.командой linsolve
19.Ска Maple. Статистика. Модули библиотеки.
Подключение библиотеки осуществляется командой with(stats). importdata - импорт данных из файла; anova -вариационный анализ; describe -cтатистические данные; fit – аппроксимация; random - cлучайные значения; statevalf - численная оценка; statplots – графика; transform - преобразования данных.
20. СКА Maple. Статистика.Корреляция, Аппроксимация.
Функция Fit, предназначенная для нахождения корреляционных отношений и для аппроксимации данных выбранными зависимостями с использованием мнк.
>fit[leastsquare[[x,y]]]([[dataX], [dataY]]);
По умолчанию система приближает зависимость к уравнению прямой линии.