Модели алгоритмов машинного обучения с учетом квантовых явлений процесса принятия решений человеком
Особенности квантового состояния игры "орел-решка". Список запросов и предложенных документов для оценки в ходе эксперимента оценки релевантности документов. Специфика программной реализация, сущность квантовой теории информации и квантовое познание.
| Рубрика | Экономика и экономическая теория |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 18.08.2018 |
| Размер файла | 2,1 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Размещено на http://www.allbest.ru/
ОГЛАВЛЕНИЕ
- ВВЕДЕНИЕ
- ГЛАВА 1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
- 1.1 Квантовая теория информации
- 1.2 Квантовое познание
- Выводы
- ГЛАВА 2. ПРАКТИЧЕСКИЙ ПОИСК ЭФФЕКТА ПОРЯДКА
- 2.1 Описание данных
- 2.2 Используемые модули
- 2.3 Модель оценки эффекта порядка
- 2.4 Программная реализация
- 2.5 Результаты
- Выводы
- ЗАКЛЮЧЕНИЕ
- СПИСОК ЛИТЕРАТУРЫ
- ПРИЛОЖЕНИЕ
ВВЕДЕНИЕ
Деятельность человека очень тесно связана с принятием решений, в том числе бизнес-решений. Стремление людей с помощью прогресса помочь человеческому труду или вовсе заменить человека в рутинных операциях начинает свою историю еще в XVIII веке с промышленной революции. Однако в настоящее время достижения технологий стали способными помогать человеку выполнять нетривиальные интеллектуальные задачи, связанные со сложным контекстным принятием решений. Исследования и развитие в области искусственного интеллекта являются одними из самых популярных и обсуждаемых тем как в научных, так и в медиа кругах. Круг задач и проблем, решаемых с помощью искусственного интеллекта, стремительно увеличивается с каждым годом, проникая во все большее количество индустрий, отраслей и предметных областей.
Задачи классификации, маршрутизации и кластеризации самых различных объектов, обладающих большим набором свойств, сводится к проблемам принятия решения человеком. Однако, даже самый сложный по параметрам объект возможно успешно классифицировать с высокой точностью, в то время как механизмы, позволяющие такую классификацию производить человеком не всегда представляются очевидными. Иными словами, то, как человек принимает решения и в целом мыслит, часто бывает сложно формализовать с помощью классических алгоритмов машинного обучения.
Вопрос увеличения точности алгоритмов машинного обучения является одной из самых основных проблем области искусственного интеллекта. Для решения этого вопроса, дата ученые постоянно ведут исследования по разработке новых алгоритмов и моделей описания данных. В задачах механической классификации объектов уже достигнуты высокие результаты работы алгоритмов, однако, когда вопрос касается комплексных и нетривиальных принятий решений, современные модели зачастую не справляются так же успешно, как с простой классификацией. В большей степени это касается проблем принятия решений человеком, так как не секрет, что человеческий мозг может выполнять одновременно большое количество оценочных действий, а также держать так называемый контекст задачи. В связи с такой сложностью выполнения задач, многие классические модели данных не позволяют эффективно решать проблемы, связанные с принятием решений человеком. Поэтому, исследователи искусственного интеллекта задались вопросом разработки нового модельного подхода к описанию задач принятия решений. Таким новаторским подходом стало использование математического аппарата квантовой физики - или иными словами квантовой теории вероятности. Популярность и актуальность настоящей темы обуславливается уже доказанным присутствием так называемых квантовых эффектов в работе человеческого сознания.
Целью настоящего исследования является изменение модели алгоритмов машинного обучения с учетом квантовых явлений процесса принятия решений человеком. Объявленная цель будет достигаться с помощью задачи по поиску квантовых эффектов в процессе принятия решений человеком. В случае успешного обнаружения таких эффектов данное исследование может стать предпосылкой для дальнейшей работы над улучшением моделей алгоритмов машинного обучения. Предметом исследования станет такой квантовый эффект, как эффект порядка, который гласит, что каждый последовательно поступающий на обработку объект изменят контекст восприятия для всех последующих объектов. В качестве объекта исследования был выбран набор данных, представляющих собой текстовые обращения граждан в государственные структуры по различным вопросам.
Гипотеза работы состоит в предположении, что при классификации обращений граждан сотрудниками государственных учреждений проявляется эффект порядка, а именно - окончание текстового обращения влияет на итоговую маршрутизацию обращения в большей степени, чем его начало.
В первой граве представлен обзор работ и исследований уже существующих в области принятия решений человеком. В значительной степени рассматриваются исследования с точки зрения психологии и математики. Помимо явлений квантового характера затрагивается рассмотрение области машинного обучения с помощью квантовых вычислений.
Далее во второй главе исследования описана непосредственно работа по поиску квантового эффекта порядка для принятия решения по классификации текстовых обращений граждан. Введена модель оценивания присутствия эффекта порядка и на основе полученных результатов сделаны выводы относительно достижения цели и выполнения промежуточной задачи.
В практической части исследования используются математические методы такие, как программная обработка данных для подготовки к дальнейшей оценки с помощью введенной модели. Также для анализа результатов используются теоретические методы моделирования и сравнения статистических данных.
Успех в разработке алгоритма с использованием новой модели данных позволит внедрять эту модель в дальнейшем при обучении алгоритмов для задач, касающихся сложных нетривиальных решений человека. Это в свою очередь будет небольшим шагом в развитии искусственного интеллекта принятия решений и приблизит исследователей к улучшенному пониманию работы человеческого сознания.
ГЛАВА 1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
Идея использовать успехи квантовой физики для иных областей науки ненова. Существует немало примеров применения квантовой теории в смежных естественных науках - таких, как химия (Szabo, et al., 2012) и биология (Lambert, et al., 2013). Однако применимость квантовой теории не ограничилась естественными науками, но также распространилась на социо-гуманитарные дисциплины, среди которых экономика, социология и психология (Haven, et al., 2013). Квантовая теория в этих областях носит модельный и математический характер, иными словами в социо-гуманитарных дисциплинах используются некоторые принципы и эффекты квантовой теории, применяемые в макромире.
Существует два подхода к исследованию темы настоящей работы. Первый включает в себя совмещение квантовой теории вероятности с методами машинного обучения. Это означает использование так называемой квантовой теории информации для повышения производительности работы алгоритмов машинного обучения. Второй подход к исследованию темы предполагает совмещение квантовой теории вероятности с моделью принятия решений человеком. В этом подходе вместо классической теории вероятности используется квантовая математическая модель для описания принятия решений. Необходимо отметить, что в этом случае используются классические вычислительные алгоритмы машинного обучения. Далее представлен обзор существующих исследований для обоих подходов.
1.1 Квантовая теория информации
Раздел Машинного обучения обширен своими методам и инструментам, позволяющими решать большой набор задач. Среди таких задач основными и наиболее важными являются задачи, связанные с классификацией и кластеризацией объектов. Объектом в данном контексте чаще выступает вектор свойств, элементы которого отвечают за параметры данного объекта. Задача алгоритмов классификации присвоить входной параметр - вектор свойств одному из обозначенных классов выборки. Кластеризацией называется процесс разбиения выборки данных на так называемые кластеры без первичной информации о количестве классов-кластеров или их смысловых характеристиках. Такие алгоритмы работают на основе принципа поиска схожести или близости объектов. Иными словами, в ходе работы такого алгоритма объекты объединяются в кластеры на основе вычисляемого сходства. Существует несколько алгоритмов классификации и кластеризации векторов: k-ближайших соседей, k-средних, метод опорных векторов и т.д.
Перечисленные выше методы классификации и кластеризации не являются единственными, однако традиционно рассматриваются совместно, так как используют в своих алгоритмах работу с векторами, расстояниям и линейными пространствами. Таким образом, расчет Евклидова расстояния и внутреннего произведения векторов для выявления сходства двух объектов является ядром этих алгоритмов. Работа с низкоразмерными векторами для таких алгоритмов не является трудностью, однако при нынешних вызовах современного мира по обработке больших массивов данных встает вопрос о повышении производительности работы упомянутых алгоритмов. Квантовая теория информации приходит на помощь в задачах с высокоразмерными пространствами. Ученные из Массачусетского технологического института во главе с Сетом Ллойдом, на счету которого большое количество работ по квантовой теории, представили расчеты временной сложности алгоритмов квантового машинного обучения, согласно которым такой метод характеризуется экспоненциальным ускорением по сравнению с классическими алгоритмами (Lloyd, et al., 2013).
В основе квантового машинного обучения и квантовой теории информации лежит модель квантового вычислительного процесса. Единицей информации в такой модели выступает так называемый «кубит» - квантовый бит, равный суперпозиции нуля и единицы: |ш? = б|0?+в|1?. Ускорение сложных вычислений на основе кубита обуславливается возможностью обработки многих состояний одновременно. Манипуляции состояниями и кубитами в квантовых вычислениях выполняются с помощью, так называемых, квантовых вентилей - логических правил преобразования входных кубитов с помощью операций линейной алгебры. В большинстве случаев, с математической точки зрения, квантовые вентили представляют собой матрицу или линейный оператор.
Например, применяя вентиль CNOT на некое квантовое состояние |ш? = 1/v2 (|00? + |11?), получим новое состояние |ш?? = 1/v2 (|00? + |10?).
Таким образом, реализовать полноценные вычисления можно с использованием квантового компьютера, разработка которого тесно связана с достижениями в области физики. Однако квантовое машинное обучение уже сейчас стремительно развивается - чему свидетельствует множество статей об использовании квантовой информатики для уже давно известных алгоритмов (Schuld, et al., 2014). Среди таких алгоритмов особой популярностью пользуются алгоритмы k-ближайших соседей (Wiebe, et al., 2015), метод опорных векторов (Rebentrost, et al., 2013), нейронные сети ассоциативной памяти (Trugenberger, 2002), (Altaisky, et al., 2014) . Таким образом, первый подход основывается на квантовых вычислениях в то время как модель самой задачи остается классической.
1.2 Квантовое познание
Второй подход к изучению данной темы касается изменения модели самой задачи, и именно он будет предметом данного исследования. Почти все задачи машинного обучения искусственного интеллекта используют классическую математическую модель - аксиомы и принципы традиционной теории вероятности и математической статистики. Одними из основных правил классической теории вероятности являются закон полной вероятности и формула Байеса. Формула полной вероятности гласит о том, что вероятность наступления события А складывается из сумм произведений вероятностей наступления события А при несовместных гипотезах , образующих полную группу.
Формула Байеса является обратной к формуле полной вероятности, то есть зная, что событие А наступило, вычисляется вероятность наступления каждой из гипотез .
Однако область принятия решений человеком зачастую сталкивается с нелогичными и даже иррациональными эффектами практических данных. Деятельность человеческого сознания бесспорно наисложнейший объект исследования современной науки, который на настоящий момент далек от разгадки. Тем не менее, ученые всегда пытаются формализовать и объяснить на модели отдельные явления и эффекты эмпирических результатов. Исследователями было замечено, что человеческие решения в некоторых случаях нарушают классическую модель вероятности, в частности закон полной вероятности. Однако для того, чтобы строить машинные алгоритмы принятия решений человеком, необходимо оперировать точной или близкой к этому моделью задачи. Поэтому была предпринята попытка поменять классическую вероятностную теорию на квантовую.
Одними из первых, кто заговорил об эффекте несоответствия эксперимента классической теории вероятности, были израильско-американские психологи Амос Тверски и Элдар Шафир, которые в своей работе (Tversky, et al., 1992) рассказали об эффекте дизъюнкции выбора. Кратко эффект дизъюнкции можно назвать феноменом, при котором человек ожидает или ищет информацию, в которой на самом деле он не нуждается для приятия решения. Иными словами, при получении этой самой информации человек совершает выбор или действие, на которые новая информация никаким образом не повлияла. В своей работе ученые провели эксперимент, в котором испытуемым предлагалось сыграть в «орла и решку» с возможностью выигрыша $200 или проигрыша $100. После первой игры участникам предлагали сыграть во второй раз с прежним раскладом выигрышей в двух ситуациях: когда игроки знали результаты первой игры, и когда у них не было подобной информации об исходе первой игры. Оказалось, что большая часть участников принимала вторую игру, зная, что они выиграли первую, также большая часть испытуемых принимала игру, зная, что они проиграли вторую игру. И только малый процент людей соглашались на вторую игру, не зная исход первой. Эксперимент противоречит логическим ожиданиям, а также закону о полной вероятности: если участники принимали вторую игру в случае своего выигрыша или проигрыша, то по принципу «Sure-thing» (или принципу Сэвиджа) они должны были также принимать вторую игру даже без информации о результатах первой.
В 2009 году Андрей Хренников в своей работе (Khrennikov, 2009) предположил наличие эффекта квантовой интерференции, которая проявляла себя в уравнениях вероятности в качестве дополнительного слагаемого - коэффициента интерференции. Ученные из Университета штата Оклахома Парас Аграуол и Рамеш Шадра в своем исследовании (Agrawal, et al., 2013) представили математическую модель принятия решения с элементами квантовой теории вероятности. В качестве задачи ученые взяли игру «орел-решка», описанную Тверски и Шафиром, и формализовали условия, отыскав тот самый коэффициент интерференции.
В основе представленных выдержек лежат все те же принципы квантовой физики: волновая функция или квантовое состояние, являющееся суперпозицией других состояний, а также нотация «бра» и «кет» и собственные значения и вектора. В Таблице 1 и Таблице 2 представлены обозначения, которые исследователи использовали для описания модели.
Таблица 1. Квантовые состояния игры «орел-решка».
|
|A> |
Обозначает состояние, соответствующее принятию второй игры. Вероятность принятия второй игры в данном состоянии равна 100%. |
|
|
|B> |
Обозначает состояние, соответствующее отказу от второй игры. Вероятность принятия второй игры в данном состоянии равна 100%. |
|
|
|X1> |
Обозначает состояние, в котором вероятность выигрыша первой игры равна 100%. |
|
|
|X2> |
Обозначает состояние, в котором вероятность выигрыша первой игры равна 0%. |
|
|
|AX1> |
Обозначает состояние, в котором вероятность выигрыша первой игры и принятия второй - равна 100%. Это является внутренним произведением |A> и |X1>. |AX1> = |A> |X1> . |
|
|
|AX2> |
Обозначает состояние, в котором вероятность проигрыша первой игры и принятия второй - равна 100%. Это является внутренним произведением |A> и |X2>. |AX2> = |A> |X2> . |
|
|
|BX1> |BX2> |
Аналогично состояниям выше. |
Таблица 2. Операторы первой и второй игр «орла-решка».
|
W |
Оператор, соответствующий вероятности выигрыша первой игры и имеющий собственные значения равные 1 и 0, которые характеризуют выигрыш и проигрыш первой игры соответственно. |
|
|
A |
Оператор, соответствующий вероятности выигрыша первой игры и имеющий собственные значения равные 1 и 0, которые характеризуют принятие второй игры и отказ от второй игры соответственно. |
В результате манипуляций состояниями и операторами, подробно описанных в работе ученых, для задачи игры «орла-решки» был найден коэффициент интерференции для вероятности принятия второй игры участником:
= + ,
Где и фазовые углы амплитуд состояний принятия второй игры в обоих случаях проигрыша или выигрыша первой.
Аналогично коэффициент интерференции принятия решения отказаться от второй игры:
= + ,
Так как , получаем, что .
Представленная математическая модель позволяет численно выявить такой квантовый эффект, как интерференция. Однако стоит заметить, что для каждого конкретного случая формула коэффициента интерференции будет отличаться, в зависимости от количества состояний системы. Также, расчет коэффициента интерференции возможен по существующим результатам - его прогнозирование и является возможной будущей задачей для машинного обучения.
Похожий эксперимент, демонстрирующий присутствие интерференции в принятии решений человеком был проделан Тверски и Шафиром в другой работе (Shafir, et al., 1992). Студенты Стэнфордского университета были поделены на три равные группы. Всем трем группам предполагалось представить, что они написали сложный экзамен. Однако первая группа должна была представить, что результаты уже известны и все студенты первой группы сдали его удачно; вторая группа должна была представить, что провалила этот экзамен; а третья группа еще не получила результаты экзамена. Всем трем группа была предложена привлекательная покупка Рождественской поездки по низкой цене, решение о покупке которой студентам необходимо было принять. Результаты эксперимента показали, что 54% студентов из первой группы были готовы купить поездку, 57% - из второй группы и только 32% студентов из третей группы согласились на покупку Рождественской поездки.
Оба эти примера наталкивают на гипотезу о возникновении эффекта интерференции в условиях неопределенности. Вячеслав Юкалов и Дидье Сорнетт в своей работе (Yukalov, et al., 2009) наряду с другими примерами рассматривают примеры упомянутые выше и делают вывод о том, что под обстоятельствами неопределённости решение в пользу «действия» дается человеку сложнее, чем решение в пользу «недействия».
Оказалось, что квантовая теория вероятности, а точнее использование свойств суперпозиции состояний, помогает добавить в модель задачи принятия человеческих решений переменные эффекта интерференции и многих других явлений.
Однако, присутствие квантовых эффектов в принятии решений человеком не ограничивается бытовыми ситуациям, а также проявляются в бизнесе и экономике. В области финансов и стратегии имеется большой объем литературы, которая изучает ситуации слияния и поглощения компаний (Malmendier, et al., 2003) (Morellec, et al., 2005) (Shleifer, et al., 2002) (Tichy, 2001) (Andrade, et al., 2001). Обозначим состояние приобретающей фирмы A как | > = |> + |>, где .
|> определяет финансовую составляющую состояния компании А, а именно: величина - это тот коэффициент рыночной стоимости компании сразу после объявления о слиянии, который близок к единице.
> отвечает за рисковую и эмоциональную составляющую компании А, осторожность перед конкурентами, эго и собственное осознание компании.
- оператор цены, действие которого на состояние | > возвращает числовое значение = (1-)**.
Если =0, то | > = |> и компания А будет ожидать стоимость своих акций равную *. Однако если - ненулевой коэффициент, то выражение показывает, что компания А готова на цену *, умноженную на (1- - то есть заведомо меньшую. Иными словами, с учетом других возможностей, таких, как страх перед конкурентами, желание компании быть большой фирмой, жадностью и будущей синергией, воспринимаемой ими, но не воспринимаемой общественностью, они готовы пожертвовать ценой одной акции на сумму, равную ** в пользу фирмы Б. Значение может быть неизвестно, но за столом переговоров этот коэффициент может развиваться до нужной величины, чтобы соответствовать состоянию фирм А и Б, если сделка слияния закрыта. Посредники с обеих сторон в таком случае всегда пытаются изменить параметры чужого квантового состояния в свою пользу.
Наличие коэффициента в уравнении не следует рассматривать как слабость A, так как его существование облегчает слияние. Благодаря этому значению прибыль для Б становится больше, чем для A, и сделка становится возможной. Если члены команды для переговоров выбираются таким образом, что в их сознании значение очень мало, тогда шансы на заключение сделки могут быть низкими. С другой стороны, если принимает большое значение, премиум, выплачиваемый Б, будет также очень большим.
Простая модель, описанная выше, иллюстрирует потенциал применения основ квантовой механики для изучения явлений, встречающихся на практике, когда возможно учитывать состояние сознания игроков. Конечно, измерение параметров, таких как , остается предметом дальнейшего изучения.
Наряду с интерференцией такие квантовые принципы как эффект наблюдателя и эффект порядка также нашли место в исследовании (Wang, и др., 2016). В этой работе ученые проводят эксперимент оценки релевантности документов человеком по отношению к заданному запросу или теме. Всех участников эксперимента разделили на две группы, которым было предложено оценить два документа dA и dB в прямом порядке для одной группы и в обратном - для другой. Для первой группы существует четыре типа событий ArBr, ArBn, AnBr, AnBn, где ArBn - ситуация, в которой участник оценил документ A как релевантный, а документ B - как нерелевантный теме. Аналогичный зеркальный расклад имеет вторая группа участников.
В классической модели процент оценки ArBr, ArBn, AnBr и AnBn в Группе 1 должен примерно равняться оценке BrAr, BnAr, BrAn and BnAn в Группе 2. Эффект порядка обнаруживается, когда процент оценки релевантности участниками тем в порядке AB отличается от процента при порядке BA. Рисунок 2 демонстрирует список предложенных запросов и заголовки документа A и документа B для каждого из запросов.
Рисунок 2. Список запросов и предложенных документов для оценки в ходе эксперимента оценки релевантности документов.
Участникам были предложены четыре степени оценки: полностью нерелевантный, слабо релевантный, частично релевантный и полностью релевантный. Группа 1 оценивает сначала документ A, затем документ B, таким образом для Группы 1 оценка документа A осуществляется в «несравнительном» контексте, так же, как и оценка документа B для Группы 2. Таблица, полученная в ходе этого исследования, представлена на Рисунке 3.
Рисунок 3. Несоответствие вероятностей релевантности для разных групп.
Дельта 1 показывает разницу между процентом оценки релевантности документа A между двумя группами, а дельта 2 - для документа B.
Непосредственная проверка наличия эффекта порядка была произведена с помощью q-теста и теста, в первом из которых проверяется гипотеза q = , = p(ArBn)+ p(AnBr) и = p(BrAn) + p(BnAr).
Рисунок 4. Результаты q-теста и -теста.
Из представленной в работе таблицы видно, что значение q-теста в большинстве случаев ненулевое, однако меньше чем 0,2 - выбранная граница значимости теста.
Эффект сравнения. Этот эффект предполагает, что разные опорные критерии приводят к различным суждениям. Относительно запроса «Мо Янь» - Но белевскому лауреату по литературе - когда участник увидел «полностью релевантный» документ о «Красном сорго», он уменьшает оценку второго документа о «Нобелевской премии». В «несравнительном» контексте 55% участников считают второй документ «актуальным», но, увидев более релевантный документ и установив высокую опорную точку, вероятность уменьшается до 30%. Другим примером низкой контрольной точки является запрос «Религия»; документ о «Политике» вызывает невысокие ожидания у испытуемых, поэтому они с большей вероятностью согласятся с тем, что документ о «Культуре» имеет отношение к запросу о «Религии».
Тверский и Канеман (Tversky, et al., 1974) отметили, что люди осуществляют оценку, основываясь на начальном значении, которое впоследствии корректируется, чтобы привести к окончательному ответу, то есть разные опорные точки дают разные оценки, которые смещены к исходным значениям. Когда кто-то просмотрел очень релевантный документ и имеет более высокие ожидания о соответствии документов, если результат не совпадает с ожиданиями, участник будет более разочарован и занизит оценку следующего документа. Напротив, если испытуемый сталкивается с нерелевантным документом ранее, он скорее согласится с документом, который является частично релевантным или даже немного значимым.
Эффект неизвестного. Концепция контекстуальности ассоциируется в квантовой теории с явлением интерференции: контекст, созданный путем принятия первого решения мешает последующему суждению или решениям для создания эффекта порядка.
Человек, изучавший информатику, знаком с такими понятиями, как «Булева алгебра» и «Машина Тьюринга». В таком случае опрашиваемому легко судить о релевантности документов для запроса «Компьютер», даже не вчитываясь в документы. Контекст во многом зависит от состояния знаний участников, потребности в информации и других факторов окружающей среды. Если до начала опроса участники имеют четкое представление о запросах, документах и их связях между собой, то эффект интерференции будет едва наблюдаться. Поскольку контекст процесса поиска не может принести пользователям дополнительную информацию, они могут оценивать релевантность только своими априорными знаниями, а не информацией самого документа.
Например, для запроса «Альберт Эйнштейн» и документов об «Исааке Ньютоне» и «Теории относительности» у большинства участников есть четкое понимание этих двух понятий и их связей с запросом, и это приводит к очень малой интерференции между документами. Ситуация характеризуется противоположным, когда участник рассматривает запрос «Трансген» и соответствующие ему документы о «Гибридных» и «Садовых розах» соответственно. Эти незнакомые концепции вызывают значительную интерференцию друг с другом и влияет на суждения участников. Отсутствие знаний о теме запроса в человеческом разуме приводит к явному взаимовлиянию суждений.
Эффект притяжения и эффект отталкивания. Помимо феномена интерференции в сознании людей, концепции и понятия из запроса и документов могут быть взаимосвязаны. Оценивание документа может повлиять на состояние пользователей относительно потребности в информации, а, вследствие, привести к динамическому суждению о релевантности. Информационная потребность не определена и будет развиваться по мере чтения пользователем документов. Каждое решение, касающееся релевантности текущего документа, приведет к «сокращению» информационной потребности, и, таким образом, пользователи могут принять иное решение по следующему документу.
Предположим, существует два типа суждения относительно запроса «Американский президент» и документа «Барак Обама»: первый гласит, что документ «Барак Обама» релевантен, а второй - что нерелевантен. Основываясь на двух типах суждений, мы можем найти два эффекта, вытекающих из понятия динамического допущения - привлечения и отталкивания. В случае с «Американским президентом» только 37% участников оценивают документ Б «жена Обамы» в «несравнительном» контексте как релевантный. Однако, когда участники из другой группы вначале оценивают документ «Барак Обама» в качестве релевантного, информационная потребность может стать более тесно связанной с «Обамой». В квантовой теории это означает, что состояние пользователя сворачивается в подпространство «Обамы». После того, как представление о состоянии информации обновится до «Обамы», второе измерение «жены Обамы» будет легче воспринято пользователями - вероятность релевантности увеличивается до 52%. Данное явление называется эффектом притяжения.
Другой эффект называется эффектом отталкивания. Если участник отверг определенный документ, то шансы выше, что он отвергнет однородные к этому документу темы. У запроса «Вероятность» документы о «Статистике» и «Распределении» аналогичны по содержанию, однако пользователи, которые определили «статистику» как нерелевантный документ, будут более склонны отклонять также второй. Эффект притяжения и эффект отталкивания дают объяснение динамическому характеру суждения о релевантности. Это показывает, что потребность в информации связана не только с исходными условиями запроса, но также развивается вместе с суждением или взаимодействием в процессе поиска.
Выводы
Процесс принятия решений человеком представляет собой сложный многослойный механизм, попытки формализовать который предпринимаются уже около 40 лет. В области психологии достигнуты немалые успехи в описании эффектов и явлений, сопровождающих мыслительную деятельность человека. Чем точнее и гибче будут описаны новые модели принятия решений человеком, тем быстрее будет продвигаться совершенствование искусственного интеллекта и алгоритмов машинного обучения. В следующей главе будет представлено исследование по поиску квантовых эффектов в процессе классификации текстовых обращений.
ГЛАВА 2. ПРАКТИЧЕСКИЙ ПОИСК ЭФФЕКТА ПОРЯДКА
2.1 Описание данных
квантовый машинный обучение
В качестве модели поиска квантовых явлений, описанных в предыдущей главе, был взят пример обаботки текстовых обращений граждан города и последующее определение принаждежности такого текста к списку имеющихся рубрик. Область классификации обращений граждан была выбрана в связи с прозрачным и простым механизмом задачи, решаемой сотрудниками городских учреждений. Используемые тексты являются обращениями жителей Москвы на сайты и порталы Правительства Москвы в 2014-2015 гг.
Сотрудники городских учреждений получают набор нерассмотренных обращения граждан и в порядке очереднотси рассматривают каждый текст обращения. В ходе рассмотрения работники ознакамливаются с содержанием обращения и классифицируют его в одну из рубрик или тем для дальнейшей работы с каждым обращением. Каждое обращение представляет собой неструктурированный текст реальных граждан, который зачастую может содержать в себе несколько тематик, волнующих обратившегося. Однако задачей сотрудника государственнного очреждения является выбор рубрики, чья тема превалирует в обращении. Имеется фиксированный набор тем, или рубрик, указанный в Приложении 4.
В настоящей работе исследовалось наличие явления квантового эффекта порядка при обработке обращений граждан сотрудниками городских учреждений и дальнейшей маршрутизацией обращений по различнм отделам. Квантовый эффект порядка проявляется в том, что порядок последовательно поступающей на вход однородной информации влияет на результат обработки операции. Каждая последующая часть информации меняет контекст состояния системы, и последующие части информации сталкиваются с измененным контекстом, который по-иному обрабатывает очередную порцию информации. Квантовый эффект порядка также тесно связан с таким явлением в квантовой физике, как эффект наблюдателя, связанный со спином элементарных частиц, например, электронов. Данное являение в свою очередь берет свое происхождение из важнейшего закона природы - принципа неопределенности Гейзенберга.
Гипотеза исследования состоит в следующем: при классификации текстовых обращений человеком наблюдается эффект порядка при принятии решений - иными словами, одинаковый набор встречающихся тем в двух текстах, а также одинаковая степень присутствия, не гарантируют попадание этих текстов на рассмотрение в один отдел городского учреждения. Классификация таких текстов человеком будет зависеть от порядка расположения тем внутри текста обращения, а также от силы связи той или иной рубрики с каждой из рассматриваемых частей обращения. Настоящая работа не делает попыток объяснить ошибки принятия решения человеком с помощью квантовых эффектов, а напротов, преследует цель приблизить работу искусственного интеллекта к человеческому мышлению в будущем.
2.2 Используемые модули
Для анализа текстов необходим первичный источник связей между словами и заявленными рубриками - словарь для каждой рубрики с указанием силы связи между отдельным словом и этой рубрикой, отрывок которого представлен на Рисунке 5.
Рисунок 5. Пример связи слов с набором рубрик
Каждое слово может быть связано с несколькими рубриками и иметь при этом различные коэффициенты связи. Например, слово «вода» имеет связь 0,2247 с рубрикой «Жилищно-коммунальное хозяйство», и только 0,04837 - с «Капитальным ремонтом многоквартирных домов», также слово «течь» не имеет связи с «Информационными технологиями» совсем.
Классификация отдельного текста происходит на основе количества слов или термов, встречающихся в тексте, а также их силе связи с рубриками. Итогом такой классификации является упорядоченный список всех существующих рубрик с указанием вероятности отнесения текста к каждой из них. Полученная вероятность является взвешенной суммой всех слов, относящихся к определенной рубрике с учетом их силы связи. Например, , где - количество появлений слова "вода" в тексте, - количество появлений слова "горячий" и - количество всех слов текста обращения. Суммируются все слова, а также биграммы, имеющие ненулевую связь с рубрикой.
Такая вероятностная классификация была осуществлена с помощью готового функционала анализа текста CLASS, являющегося продуктом компании Preferentum ГК «АйТи». Исследования и разработки по этому направлению велись в 2010-2012 гг. в ходе совместного проекта НИУ ВШЭ и группы компании АйТи по 218-му Постановлению Правительства РФ.
Система CLASS решает задачу классификации текстов с предварительным обучением. Для классификатора информация о рубриках и вся статистика хранятся в, так называемом, индексе, представляющем собой множество файлов проприетарного формата в некоторой директории локального компьютера. Для того, чтобы была возможна классификация, необходимо сначала обучить классификатор, подав ему на вход некоторое количество текстов с указанием рубрики для каждого текста. Система вносит соответствующую информацию в индекс классификатора, при этом сами обучающие тексты не сохраняются. В дальнейшем классификатор можно дообучать; модули CLASS могут работать с любым количеством классификаторов одновременно.
Система CLASS написана на C# .NET управляемым кодом и является самодостаточной системой, которая предоставляет API для своей интеграции в пользовательские информационные системы. Возможны следующие способы интеграции:
· Непосредственное использование классов .NET сборок DLL - для приложений на .NET;
· Через REST-протокол взаимодействия с модулем CLASS.Server.exe, который является кроссплатформенным и работает как на Windows, так и на Unix, Mac и Android (под управлением Mono) без каких-либо предварительных установок;
· Через аналогичный REST-протокол с Web-сервером, устанавливаемом на IIS (Internet Information Server) под Windows.
Каждый классификатор располагается в своей директории локального по отношению к серверу компьютера. Изначально директория пуста, и обучение состоит в вызове внешней системой функции Add(rubric, text) нужное число раз, подавая на вход указание рубрики и неструктурированного текста. Если указанной рубрики не существует, то она будет добавлена в директорию.
Для того, чтобы добавляемая информация стала доступной для классификации, необходимо выполнить операцию Commit(), во время которой происходит перерасчёт всех статистик. Классификация производится функцией Classify(text), которая для входного текста возвращает ранжированный список пар [rank, rubric].
Система CLASS предоставляет функцию ToText(file), которая выделяет тексты из файлов следующих форматов - DOC, DOCX, PDF, RTF, TXT, HTML, ODT и заархивированные папки. В таких случаях CLASS возвращает суммарный текст, который удалось выделить из внутренних файлов. Текстовая информация из изображений не подлежит обработке, так как алгоритм не использует OCR (Optical Character Recognition).
Задачей практической части исследования была разработка модели анализа, которая позволила бы оценивать наличие эффекта порядка при классификации обращений сотрудником с использованием модуля CLASS. В качестве базовых данных были взяты реальные классифицированные тексты обращения граждан сотрудниками учреждений. Таким образом, для каждой рубрики имелся набор текстов обращений, по которым необходимо было выявить присутствие эффекта порядка при классификации этих текстов к данной рубрике.
2.3 Модель оценки эффекта порядка
Для упрощения работы с объявленной гипотезой задача была сведена к проверке следующего факта: оказывает ли окончание текста обращения большее влияние на процесс принятия решения человека о классификации к конкретной рубрике. Иными словами, меняет ли тема, отраженная в конце обращения общую оценку сотрудника относительно всего обращения. В противопоставление этой гипотезе также параллельно будут рассмотрены две альтернативные: первая альтернативная гипотеза говорит о том, что первая часть текста обращения оказывает большее влияние на результат классификации рубрики сотрудником государственных учреждений; вторая альтернативная гипотеза утверждает, что эффекта порядка в процессе классификации человеком текстов не существует. В целях очищения эксперимента от плавающих понятий «окончания» текста, каждое обращение будет разделено пополам, и в таком случае первая часть будет номинально считаться началом текста, а вторая - его окончанием.
Каждый текст обращения из Рубрики А разбивается на части, в конкретном случае на две части, которые классифицируются отдельно, наряду с классификацией всего текста. Таким образом, появится информация о том, насколько сильнее или слабее отражена тема текущей рубрики в каждой из частей текста. В итоге данных операций для каждого текста из Рубрики А определяется набор из вероятностей классифицирования к данной рубрике всего текста, его первой и второй частей. По полученным значениям производится оценка наличия эффекта порядка при принятии решения - если значение вероятности для первой части в относительной степени больше значения вероятности для второй части, это может подтверждать наличие эффекта порядка в сторону значимости первой части текста. Для установления закономерностей необходимо обработать подобным образом каждый текст, и, если по выборке текстов будет наблюдаться стабильный признак, подтверждающий ту или иную гипотезу, можно сделать выводы о жизнеспособности этой гипотезы.
Важно отметить, что разница в вероятностях первой и второй частей может считаться значимой, если она больше, чем половина наименьшего значения из двух вероятностей. Иными словами, пусть P(1часть) - вероятность отнесения первой части текста к Рубрике А, а P(2 часть) - вероятность отнесения второй части текста к Рубрике А. Тогда, если P(1часть)<P(2часть), то разница будет значима, если P(2часть) - P(1часть)>P(1часть)/2. Это будет означать, что вторая часть текста «весит» больше в общей оценке принадлежности всего текста к объявленной рубрике.
Для удобного оценивая эффекта порядка будут построены графики вероятностного распределения по полученным значениям вероятности для первой и второй частей, а также общей вероятности для полного текста. Итак, для каждого текста будут присвоены три значения (X,Y,Z), где X - значение вероятности для первой части, Y - значение вероятности для второй части и Z - значение вероятности для полного текста. Каждая из полученных точек будет располагаться в трехмерной прямоугольной системе координат совместно для получения точечного облака распределения, по которому будут совершены статистические выводы относительно заявленных гипотез.
Анализ графика распределения таких точек будет производиться в относительности с биссектрисой плоскости OXY, потому что она будет являться индикатором идеальной несмещенности. Все точки текстов, первая и вторая части которых будут иметь одинаковую вероятность, то есть P(1часть)=P(2часть), будут расположены в плоскости W, содержащей биссектрису плоскости OXY, а также перпендикулярной ей. Чем больше будет смещено облако точек к одной из оси X или Y от плоскости W, тем более явным окажется эффект порядка. Если облако точек будет располагаться в биссекторной области - плоскости W - это будет означать, что эффекта порядка при принятии решения о классификации текста не наблюдается. На Рисунке 6 представлена схема визуализации точек рубрики.
Рисунок 6. Схема визуальной модели распределения точек текстов рубрики.
2.4 Программная реализация
Использование модуля CLASS было осуществлено через классы .NET и dll-библиотеки в Visual Studio 2017 на языке C#. Дальнейшие операции с подготовкой точек текстов были также осуществлены здесь.
Для интерактивного взаимодействия с программой была выбрана реализация с использованием WPF приложения. Данный выбор был определен целью выбора отдельных рубрик для анализа. Для этого приложение перед началом работы основного смыслового алгоритма предлагает ввести идентификатор интересующей рубрики. Далее основной алгоритм осуществляет следующие шаги:
1. Алгоритм проходит по каждому тексту из указанной Рубрики, находящемуся в заранее прописанной директории локального компьютера, и определяет вероятность попадания полного объема текста в эту Рубрику с помощью объявленного ранее метода. Полученное значение вероятности попадания текста в эту рубрику является координатой Z будущей точки.
2. Далее аналогично производится поиск вероятности классификации первой части текста обращения (полный текст делится ровно пополам) к данной Рубрике - координата X.
3. И, наконец, алгоритм находит вероятность попадания второй половины текста в указанную Рубрику - координата Y.
4. Из трех полученных координат составляется Точка (X,Y,Z), представляющая текущий текст. Такая точка добавляется в массив точек, по которым будет построен график облака точек.
5. Алгоритм вычисляет долю значимых текстов рубрики. Как было описано ранее, текст называется значимым, если P(X)>P(Y) и P(X) - P(Y)>P(Y)/2 => если P(X)/P(Y) > 3/2, то текст значим в пользу первой части. Если же P(X)<P(Y) и P(X)/P(Y) < 2/3, то текст значим в пользу второй части.
Далее алгоритм подсчитывает долю значимых текстов первого и второго типа в общем количестве текстов рубрики и выдает два значения. На основании разности двух этих значений xValue и yValue, а также их абсолютных значениях, можно делать выводы о присутствии эффекта порядка.
6. После обработки всех текстов выбранной рубрики массив всех точек выгружается в CSV файл для дальнейшего построения трехмерного графика.
7. Строится трехмерный график для рубрики или рубрик, на котором представлено распределение точек всех текстов, попавших в выборку. По расположению облака точек делается вывод о наличии эффекта порядка в принятии решения человеком о классификации текста. Расшифровка расположения облака точек на графике описана выше.
Для визуализации результатов обработки текстов была использована программа Wolfram Mathematica - как простой и мощный инструмент анализа данных и построения на их основе графиков.
2.5 Результаты
Первый анализ был проведен по рубрике «Жилищно-коммунальное хозяйство». К данной теме сотрудниками государственных учреждений были классифицированы 5061 текста, каждому из которых алгоритм поставил в соответствие точку в трехмерном пространстве. Доля текстов с значимой первой частью равна xValue = 0,1993277, в то время, как доля значимой второй части - yValue = 0,415266.
На Рисунке 7 показан снимок экрана окна приложения.
Рисунок 7. Пользовательское окно для анализа конкретной рубрики.
Данные показатели важно рассматривать одновременно совместно и независимо. Это означает, что абсолютное значение показателя yValue говорит о большом проценте присутствия текстов со второй значимой частью. Однако, xValue также велико относительно yValue - в два раза больше. Совокупляя два факта, можно сделать вывод о смещенности выборки текстов рубрики «Жилищно-коммунальное хозяйство» в пользу второй части текста. Таким образом, для данной рубрики наблюдается небольшой эффект порядка в пользу основной гипотезы исследования. Данный вывод также подтверждается визуализацией облака точек - подгрузив CSV файл с массивом точек к Wolfram Mathematica, были получено следующее облако точек для рубрики «Жилищно-коммунальное хозяйство».
Рисунок 8. График облака точек для рубрики «Жилищно-коммунальное хозяйство».
На втором рисунке представлена проекция точек на плоскость OXY, то есть взгляд сверху на плоскость. На нем прослеживается несильное, но явное смещение облака точек к оси OY, отвечающей за вторую часть текстов. Таким образом, для рубрики «Жилищно-коммунальное хозяйство» наблюдается небольшой эффект порядка в пользу второй части текста, то есть окончание обращений граждан влияет на конечную классификацию всего обращения в большей степени, чем его начало.
Подобный анализ был проделан для списка рубрик, имеющих больше 150 текстов. Данный порог был выбран с целью очищения исследования от статистически нерепрезентативных выбросов, которые с большим процентом присутствуют в рубриках с малым количеством классифицированных текстов.
Таблица 3. Результаты анализа наличия эффекта порядка для рубрик с наибольшим количеством классифицированных текстов.
|
ID |
Название рубрики |
Количество текстов |
xValue |
yValue |
Эффект порядка |
|
|
2 |
Безопасность и охрана правопорядка |
199 |
0,361809 |
0,2361809 |
- |
|
|
6 |
Благоустройство территорий |
4402 |
0,2065984 |
0,4564278 |
+ |
|
|
1 |
Гаражное хозяйство, парковки, транспортно-пересадочные узлы |
415 |
0,3493976 |
0,2457831 |
- |
|
|
25 |
Жилищная политика |
625 |
0,3424 |
0,2112 |
- |
|
|
8 |
Жилищно-коммунальное хозяйство |
5061 |
0,1993277 |
0,415266 |
+ |
|
|
14 |
Здравоохранение |
1048 |
0,3457498 |
0,2979943 |
- |
|
|
3 |
Капитальный ремонт многоквартирных домов |
288 |
0,2847222 |
0,2951389 |
- |
|
|
21 |
Образование |
1283 |
0,3943881 |
0,2127825 |
+ |
|
|
7 |
Природопользование и охрана окружающей среды |
199 |
0,4773869 |
0,2512563 |
+ |
|
|
5 |
Работа с обращениями граждан |
197 |
0,2857143 |
0,3010204 |
- |
|
|
27 |
Реклама |
367 |
0,2125341 |
0,5040872 |
+ |
|
|
28 |
Связь |
187 |
0,3368984 |
0,4331551 |
- |
|
|
29 |
Социальное обеспечение |
266 |
0,3947369 |
0,2781955 |
- |
|
|
19 |
Топливно-энергетическое хозяйство |
673 |
0,391369 |
0,3422619 |
- |
|
|
13 |
Торговля и услуги |
700 |
0,3319027 |
0,3376252 |
- |
|
|
4 |
Транспорт |
3478 |
0,2048331 |
0,4335443 |
+ |
А Таблице 3 занесены результаты по отобранному числу рубрик относительно факта наличия эффекта порядка на основе полученных xValue и yValue для каждой выборки. Критерием оценки служило отношение значений xValue и yValue в примерной доле 1:2 или 2:1. Иными словами, если xValue/yValue Ѕ или xValue/yValue 2, принятие решение по классификации текстов в данной рубрике считается подверженным эффекту порядка.
Необходимо отметить факт, что 6 из 18 проанализированных рубрик подвержены эффекту порядка:
· Благоустройство территорий;
· Жилищно-коммунальное хозяйство;
· Образование;
· Природопользование и охрана окружающей среды;
· Реклама;
· Транспорт,
то есть 33% исследованных классификаций проявили эффект порядка при маршрутизации обращений граждан. Также, из этих 6 рубрик 4 рубрики продемонстрировали эффект порядка в пользу второй части текста обращений, в то время как 2 оставшиеся - «Образование» и «Природопользование и охрана окружающей среды» - проявили эффект порядка в пользу первой части текста.
Если обратиться к графикам для проверки полученных результатов, можно обнаружить, что все из четырех рубрик, отнесенных к влиянию второй части текста, демонстрируют на своих графиках явное смещение облака точек к оси OY. Пример такого распределения представлен на Рисунке 9.
Рисунок 9. График облака точек для рубрики «Благоустройство территорий».
Однако графики распределения точек для рубрик «Образование» и «Природопользование и охрана окружающей среды» не отличаются явной смещенностью точек к оси OX, как того требуют количественные данные.
Рисунок 10. График облака точек для рубрики «Образование».
Выводы
Исходя из совместного анализа xValue, yValue, а также графиков, можно сделать вывод, что эффект порядка для вторых частей текстов обращений имеет более стабильный характер и явное отображение. Влияние на итоговую классификацию обращения первой части текста имеет непостоянные и плохо наблюдаемые свойства. Возвращаясь к объявленным гипотезам, необходимо отметить, что для большинства рубрик и в целом текстовых классификаций присутствие эффекта порядка является скорее исключительным случаем, поэтому альтернативная гипотеза в пользу нулевого эффекта порядка является жизнеспособной. Однако, несмотря на небольшой процент рубрик, подвергшихся квантовому эффекту порядка в процессе классификации, данный эффект все же был обнаружен. Это означает, что основная гипотеза исследования, будучи отвергнутой в ее сильной формулировке, требует уточнения свойств принятия решений человеком и, возможно, будет верна для иных контекстных условий исследования. Также важно отметить, что тезис о большем влиянии второй части текстов в сравнении с тезисом о большем «весе» первой частью можно с порядочной долей уверенности подтвердить. Основной вопрос, требующий дальнейших исследований, заключается в проверке стабильного присутствия эффекта порядка и выявление условий, для его гарантированного проявления.
ЗАКЛЮЧЕНИЕ
В ходе настоящего исследования были рассмотрены и теоретически изучены такие квантовые эффекты и явления процесса принятия решений человеком, как интерференция, эффект порядка, эффект наблюдателя, эффект притяжения, эффект отталкивания и так далее. Также практическим путем обнаружен квантовый эффект порядка в процессе принятия решений классификации обращений граждан сотрудниками государственных учреждений. Данный результат можно считать еще одним подтверждением того множества теоретических исследований и работ, рассмотренных в первой главе.
...Подобные документы
Типы моделей: дескриптивный, предикативный и нормативный. Связь экономических явлений. Модель факторной системы. Элементы теории моделирования. Методы принятия решений. Платежная матрица. Дерево решений (сценариев). Теория игр.
реферат [23,7 K], добавлен 09.12.2002Определение сущности процесса принятия экономических решений человеком, установление влияния экономической институциональной среды на его поведение. Положения институциональной теории и преставление о человеке в них. Модели поведения в экономике.
курсовая работа [30,5 K], добавлен 15.07.2009Сущность управленческого решения. Логика построения и корректировки систем управления. Критерии исследования и причины патологий управленческих систем. Механизм принятия, специфика реализации и показатели оценки эффективности управленческих решений.
реферат [22,3 K], добавлен 19.01.2012- Определение рыночной стоимости объекта недвижимости – жилой дом по адресу: г.Мамадыш, ул.Вишневая, 8
Изучение информации, идентифицирующей жилой дом как объект оценки. Характеристика местоположения дома. Перечень документов, используемых при проведении оценки. Анализ рынка недвижимости. Определение стоимости затратным и сравнительным доходным подходами.
курсовая работа [458,3 K], добавлен 24.10.2014 Перечень документов, используемых оценщиком и устанавливающих количественные и качественные характеристики объекта оценки. Анализ рынка объекта оценки и обоснование диапазонов значений ценообразующих факторов. Расчет рыночной стоимости объекта оценки.
курсовая работа [5,0 M], добавлен 13.09.2014Исследование основных этапов создания системы массовой оценки. Сбор и первичный анализ исходной информации. Принцип построения корпоративной системы массовой оценки объектов недвижимости. Разработка математической модели оценки стоимостных показателей.
презентация [13,0 M], добавлен 26.01.2015Сущность модели Ольсона как одной из наиболее перспективных современных разработок в теории оценки стоимости компании. ЕВО в практической оценке, особенности ее работы в России. Особенности линейной информационной динамики Ольсона и Фельтхама-Ольсона.
контрольная работа [80,3 K], добавлен 07.04.2011Перечень документов, устанавливающих количественные и качественные характеристики объекта оценки. Последовательность определения стоимости. Обзор рынка коммерческой недвижимости. Внесение и обоснование корректировок цены. Расчет ставки капитализации.
дипломная работа [149,9 K], добавлен 28.10.2014Сущность, основные этапы разработки и реализации управленческого решения. Методы оценки последствий реализаций управленческих решений на предприятии на примере ООО "Шатер Девелопмент". Расчет экономического обоснования принятия управленческого решения.
курсовая работа [345,9 K], добавлен 29.10.2015Общие понятия оценки. Понятие собственности и иных вещных прав. Основные виды правоустанавливающих документов. Характеристика доходного и затратного подхода. Цель и процедура оценки, основание для ее проведения. Определение рыночной стоимости объекта.
курсовая работа [1,2 M], добавлен 14.11.2011Роль комплексного анализа вероятных потерь ресурсов для оценки риска. Общая характеристика различных методик оценки потерь в процессе принятия решений допустимости и целесообразности риска. Особенности построения кривой вероятностей возможных потерь.
реферат [194,8 K], добавлен 10.05.2010Сущность, предмет и методы экономической теории. Особенности функционирования национальной экономики. Методика оценки финансового состояния предприятия. Система и виды стимулирования труда персонала, их место в системе мотивации трудовой деятельности.
курс лекций [1,7 M], добавлен 27.02.2010Отличительные особенности игры с природой. Принятие решений в условиях риска и полной неопределенности с применением критериев максимакса, Вальда, Сэвиджа, Гурвица. Анализ дерева решений. Ожидаемая ценность точной информации о фактическом состоянии рынка.
курсовая работа [165,7 K], добавлен 27.02.2015Основание для проведения оценки. Результаты оценки и итоговая величина стоимости объектов оценки. Определение рыночной стоимости объектов оценки в рамках затратного подхода. Процедура оценки рыночной стоимости движимого имущества. Этапы процесса оценки.
курсовая работа [151,9 K], добавлен 02.04.2009Анализ инвестиционных качеств и управленческих возможностей ценных бумаг как документов, удостоверяющих имущественные права. Изучение основных концептуальных подходов и экономических законов при оценке ценных бумаг. Базовые концепции оценки ценных бумаг.
контрольная работа [171,5 K], добавлен 18.12.2010Оценка бизнеса - определение стоимости компании как имущественного комплекса, способного приносить прибыль его владельцу. Цели оценки, сроки и стоимость услуг, перечень документов. Сравнительный подход к оценке: характеристика, преимущества и недостатки.
контрольная работа [24,6 K], добавлен 26.12.2011Значение, задачи и показатели оценки финансового состояния организации; информационная база анализа основных технико-экономических показателей работы ООО "Информгеосервис"; основные методики, модели и проблемы; мероприятия по улучшению оценки и анализа.
дипломная работа [746,6 K], добавлен 06.06.2011Анализ затрат и их распределение в организации ФКП Росреестр. Выявление резервов снижения издержек. Способы принятия управленческих решений в условиях риска и неопределенности. Методы оценки финансового состояния предприятия по критериям прибыльности.
отчет по практике [22,9 K], добавлен 10.04.2014Основные источники информации, параметры, показатели оценки состояния конкурентной среды в отрасли. Нормативные документы, регламентирующие данные правоотношения. Обзор состояния конкурентной среды на рынке цемента в Сибирском федеральном округе.
реферат [38,1 K], добавлен 08.03.2011Понятие оценки стоимости имущества, объекты оценки, виды оценочной стоимости. Законодательно-правовая основа, этапы проведения оценки имущества. Сущность подходов и методов оценки имущества. Преимущества в применении различных подходов к оценке имущества.
курсовая работа [59,1 K], добавлен 19.07.2010
