)LúDGLVFLSOLQHL

1. Date despre program

,QVWLWXĠLDGHvQYăĠăPkQW ACADEMIA DE STUDII ECONOMICE
1.2. Facultatea &,%(51(7,&Ă67$7,67,&Ăù,,1)250$7,&Ă(&2120,&Ă
1.3. Departamente 'HSDUWDPHQW ,1)250$7,&Ă‫܇‬,&,%(51(7,&Ă(&2120,&Ă
1.4. Domeniul de studii &LEHUQHWLFăVWDWLVWLFăúLLQIRUPDWLFăHFRQRPLFă

1.5. Ciclul de studii /,&(1ğĂ

)RUPDGHvQYăĠăPkQW &8)5(&9(1ğĂ

1.7. Programul de studii &LEHUQHWLFăHFRQRPLFă

1.8. Limba de studiu 5RPkQă

1.9. Anul universitar 2023-2024

2. Date despre disciplina

2.1. Denumire ,QWHOLJHQ‫܊‬ăFRPSXWD‫܊‬LRQDOăvQHFRQRPLH

2.2. Cod 23.0203IF3.2-0006

2.3. Anul de studii 3 2.4. Semestrul 2 2.5. Forma de Examen 2.6. Regimul O 2.7. Nr. credite 5
evaluare disciplinei (Obligato ECTS
riu)
2.8. Titulari C(C) conf.univ.dr. GEORGESCU Irina Alexandra irina.georgescu@csie.ase.ro
S(S) conf.univ.dr. GEORGESCU Irina Alexandra irina.georgescu@csie.ase.ro
S(S) Asociat drd. DOMENTEANU A ADRIAN domenteanuadrian18@stud.ase.ro
S(S) Asociat drd. NEAGU M A ANDREEA andreea.neagu@csie.ase.ro

3. Timp total estimat

1XPăUGHVăSWăPkQL 14.00
1XPăUGHRUHSHVăSWăPkQă 4.00 din care
C(C) 2.00
S(S) 2.00
7RWDORUHGLQSODQXOGHvQYăĠăPkQW 56.00 din care
C(C) 28.00
S(S) 28.00
7RWDORUHGHVWXGLXSHVHPHVWUX QXPăU(&76 RUH 125.00
3.5. Total ore studiu individual 69.00

'LVWULEXĠLDIRQGXOXLGHWLPSSHQWUXVWXGLXLQGLYLGXDO
6WXGLXGXSăPDQXDOVXSRUWGHFXUVELEOLRJUDILHúLQRWLĠH 20.00
'RFXPHQWDUHVXSOLPHQWDUăvQELEOLRWHFăSHSODWIRUPHOHHOHFWURQLFHGHVSHFLDOLWDWHúLSHWHUHQ 10.00
3UHJăWLUHVHPLQDULLODERUDWRDUHWHPHUHIHUDWHSRUWRIROLLúLHVHXUL 20.00
Tutoriat 5.00
([DPLQăUL 2.00
$OWHDFWLYLWăĠL 12.00

Pagina 1/5
3UHFRQGLĠLL
4.1. de curriculum Teoria DECIZIEI
Simularea proceselor economice
Baze de date
Economie
GHFRPSHWHQĠH digitale

&RQGLĠLLGHVIăúXUDUHDFWLYLWăĠL
pentru C(C) Prelegerile se desfasoara in Sali cu echipament de predare multimedia
pentru S(S) Sali cu posturi de lucru la calculator

&RPSHWHQĠHVSHFLILFHDFXPXODWH
PROFESIONALE C3 3URJUDPDUHDvQOLPEDMHHYROXDWHSURLHFWDUHDúLXWLOL]DUHDSURGXVHORUSURJUDPVSHFLDOL]DWH
PROFESIONALE C4 3URLHFWDUHDúLXWLOL]DUHDGHPRGHOHGHDQDOL]ăHFRQRPLFăODQLYHOPLFURúLPDFURHFRQRPLF

7. Obiectivele disciplinei
7.1. Obiectivul general Dezvoltarea de abilitati de analiza,proiectare si implementare a unui Sistem suport pentru decizii adecvat unui
sistem economic dat
7.2. Obiective specifice ‡,QWHJUDUHDvQWURYL]LXQHFRPSOH[ăDFXQRúWLQĠHORUSULYLQGSURFHVXOGHFL]LRQDOHFRQRPLF
‡ÌQVXúLUHDXQRUPHWRGHWHKQLFLúLPRGHOHPRGHUQHGHDQDOL]DSURLHFWDUHVLLPSOHPHQWDUHDXQRUVROXWLLLQIRUPDWLFH
pentru managementul sistemelor economice complexe
‡6WLPXODUHDFUHDWLYLWăĠLLVWXGHQĠLORUSULQHOHERUDUHDúLSUH]HQWDUHDXQRUSURLHFWHGHUH]ROYDUHHILFLHQWDVL
responsabila a unor fenomene/procese economice.

&RQĠLQXWXUL

Pagina 2/5
8.1. C(C) Metode de predare/ lucru 5HFRPDQGăUL

1 Inteligenta computationala: continut, concepte, principii, tendinte si aplicatii Prezentare orala si

potentiale in economie interactiune cu studentii
2 Abordarea de tip fuzzy: necesitate, avantaje si scopuri; incertitudine si imprecizie; Prezentare orala si
multimi fuzzy; definire, proprietati si tipuri; reprezentari specifice; operatii interactiune cu studentii
3 Relatii fuzzy; operatii; decizii fuzzy multicriteriale; agregarea multimilor fuzzy; Prezentare orala si
functii scor interactiune cu studentii
4 Constructia modelelor de tip fuzzy si aplicatii in domeniu economic-financiar. Prezentare orala si
Optimizarea deciziilor de investitii in cadrul companiilor interactiune cu studentii
5 Modelarea proceselor economice cu numere fuzzy Prezentare orala si
interactiune cu studentii
6 Variabile lingvistice. Reguli de inferenta fuzzy. Teoria rationamentului Prezentare orala si
aproximativ interactiune cu studentii
7 Algoritmi de clasificare. Expected maximization Prezentare orala si
interactiune cu studentii
8 Algoritmi de clasificare. SVM. Prezentare orala si
interactiune cu studentii
9 Invatare inductiva prin algoritmi. Ardori decizionali Prezentare orala si
interactiune cu studentii
10 Metoda celor mai apropiati K vecini Prezentare orala si
interactiune cu studentii
11 Regresie logistica. Clusterizare fuzzy. Prezentare orala si
interactiune cu studentii
12 Utilizarea retelelor neuronale supervizate pentru recunoasterea formelor si pentru Prezentare orala si
efectuarea de predictii. interactiune cu studentii
13 Retele neuronale nesupervizate: extragerea tiparelor si vizualizarea datelor. Prezentare orala si
interactiune cu studentii
14 Algoritmi genetici (codarea genetica, initializarea populatiei, operatori genetici, Prezentare orala si
incrucisare si mutatie, selectia indivizilor) interactiune cu studentii

Bibliografie
- Irina Georgescu, Inteligenta Computationala, ASE, Bucuresti, 2015, România
- Alboukadel Kassambara , Machine Learning Essentials: Practical Guide in R 1st Edition, STHDA, 2017, Statele Unite ale Americii
- Irina Georgescu, Possibility Theory and the Risk, Sprnger, 2012, Germania
- Ethem Alpaydin, Introduction to Machine Learning, MIT, 2020, Statele Unite ale Americii

8.2. S(S) Metode de predare/ lucru 5HFRPDQGăUL

1 Discutarea cerintelor privind elaborarea proiectelor si lucrarilor practice si Prezentare orala si

actualizarea unor cunostinte din domeniul probabilitatilor si statisticii matematice interactiune cu studentii
2 Probleme cu multimi fuzzy: exemple concrete, reprezentari grafice, operatii Ilustrare pe calculator,
utilizand instrumente soft-
ware specializate
3 Operatii cu relatii fuzzy. Modele reprezentate prin relatii fuzzy. Ilustrare pe calculator,
utilizand instrumente soft-
ware specializate
4 Decizii multicriteriale fuzzy. Gradul de dominanta. Metoda lui Orlovsky. Metoda Ilustrare pe calculator,
lui Ekel & Neto utilizand instrumente soft-
ware specializate
5 Modelarea proceselor economice prin numere fuzzy; operatii; fuzzificarea Exemplificare si
multimilor de date. solutionare numerica a
tematicii semi-narului pe
baza de date reale,
utilizand calculatorul si
software-ul specializat

Pagina 3/5
 6 Teoria rationamentului aproximativ. Implementarea unui sistem bazat pe reguli Exemplificare si
fuzzy. solutionare numerica a
tematicii semi-narului pe
baza de date reale,
utilizand calculatorul si
software-ul specializat
7 Algoritmi de clasificare. Programe in R Aplicatii de credit risk. Exemplificare si
solutionare numerica a
tematicii semi-narului pe
baza de date reale,
utilizand calculatorul si
software-ul specializat
8 Algoritmi de clasificare. Programe in R. Predictii ale indicatorul de dezvoltare Exemplificare si
umana (Human Development Index) solutionare numerica a
tematicii semi-narului pe
baza de date reale,
utilizand calculatorul si
software-ul specializat
9 Aplicatie numerica priving utilizarea arborilor decizionali si celor mai apropiati K Exemplificare si
vecini in creditscoring. solutionare numerica a
tematicii semi-narului pe
baza de date reale,
utilizand calculatorul si
software-ul specializat
10 Aplicatie numerica privind utilizarea regresiei logistice binomiale si Exemplificare si
multinominale in studiul inegalitatii sociale. solutionare numerica a
tematicii semi-narului pe
baza de date reale,
utilizand calculatorul si
software-ul specializat
11 Aplicatie numerica privind utilizarea retelelor neuronale in creditscoring.Aplicatie Exemplificare si
numerica privind utilizarea hartilor cu autoorganizare in clusterizare si clasificare solutionare numerica a
tematicii semi-narului pe
baza de date reale,
utilizand calculatorul si
software-ul specializat
12 Metode de optimizare utilizand algoritmii genetici. Exemplificare si
solutionare numerica a
tematicii semi-narului pe
baza de date reale,
utilizand calculatorul si
software-ul specializat
13 Evaluare finala individuala Prezentare orala; proiect
individual
14 Evaluare finala individuala Prezentare orala; proiect
individual

Bibliografie
- Irina Georgescu, Inteligenta Computationala, ASE, Bucuresti, 2015, România
- Alboukadel Kassambara , Machine Learning Essentials: Practical Guide in R 1st Edition, STHDA, 2017, Statele Unite ale Americii
- Chen S-H., Wang P. P., Kuo T-W, , Computational Intelligence in Economics and Finance, Springer, Berlin, 2007, Germania
- Goldberg, D. E, Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, 1989, Statele Unite ale Americii
- Cortez, P, , Modern Optimization with R, Springer, 2014, Gibraltar

&RURERUDUHDFRQĠLQXWXULORUGLVFLSOLQHLFXDúWHSWăULOHUHSUH]HQWDQĠLORUFRPXQLWăĠLLHSLVWHPLFHDVRFLDĠLLORUSURIHVLRQDOHúL
angajatori reprezentativi din domeniul aferent programului

Pagina 4/5
- in numeroase activitati de analiza cantitativa, de modelare sau de predictie din domeniul economic apare necesitatea solutionarii unor probleme
care nu au o structura algoritmizabila, care nu pot fi rezolvate utilizand instrumentele cantitative uzuale si care presupun utilizarea unor metode si
tehnici speciale, eficiente si robuste; singura modalitate de abordare a problemelor de acest fel este cea oferita de contextul Inteligentei
Computationale;
- preocuparile la nivel mondial in domeniul Inteligentei Computationale sunt de data recenta, tin de abordarile de varf ale cercetarii stiintifice din
domeniul economic si se dezvolta cu o rata exploziva;
- metodele, tehnicile si instrumentele specifice Inteligentei Computationale permit cercetatorului sa solutioneze probleme complexe si dificile,
intr-o maniera eleganta, eficienta si robusta;
- metodele, tehnicile, instrumentele si procedurile specifice disciplinei Inteligenta Computationala in Economie au aplicabilitate directa si concreta
in economia reala, in cele mai diverse zone ale acesteia (afaceri inteligente, optimizarea utilizarii resurselor, piete monetare si de capitaluri,
marketing, evaluarea riscului, evaluarea performantelor economico-financiare etc.);
- exista numeroase instrumente software dedicate implementarii metodelor si tehnicilor specifice Inteligentei Computationale

10. Evaluare
Pondere în
Activitatea Criterii de evaluare Metode de evaluare
QRWDILQDOă
10.1. C(C)
10.2. S(S) Prezenta activa la seminarii Implicarea studentilor indezbaterile 10.00
organiate pe tematicile prevazute pentru
seminarii
10.3. S(S) Elaborarea unui proiect stiintific de tip Studiu Elaborarea unui proiect stiintific de tip 20.00
de caz Studiu de caz Evaluarea continutului
stiintific al proiectului elaborat
(YDOXDUHILQDOă Proba de Examen Evaluare lucrare scrisa examen 70.00
10.5. Modalitatea de notare Note întregi 1-10
6WDQGDUGPLQLPGHSHUIRUPDQĠ㠇Insusirea si intelegerea conceptelor, continutului, rationamentelor, interpretarilor si scopurilor, a
metode-lor, modelelor, procedurilor si algoritmilor pentru urmatoarele tematici: a. inteligenta
computationala si fundamentele statistico-matematice ale acesteia; b. abordarea de tip fuzzy, multimi
si operatii fuzzy; c. constructia modelelor de tip fuzzy si aplicatiile acestora in domeniul economico-
financiar; d. utilizarea tehnologiilor de tip Data Mining in Inteligenta computationala: extragerea de
cunostinte, invatare nesupervizata si invatare supervizata; f. inteligenta computationala bazata pe
masini autoinstruibile; g. retele neuronale artificiale pentru recunoasterea a formelor si pentru
efectuarea de predictii; h. calcul evolutiv si algoritmi genetici;
‡Insusirea modului de utilizare in practica a metodelor si tehnicilor specifice tematicilor enumerate
anterior;
‡Cunoasterea modalitatilor de implementare software a problemelor specifice tematicilor enumerate
anterior;
‡Elaborarea unui proiecte (studiu de caz) prevazut la criteriile de evaluare, in conditii cantitative si
calitative echivalente cu cel putin nota de trecere (min. 5) ;
‡3DUWLFLSDUHDODFHOSXĠLQ50%GLQFXUVXULOHúLVHPLQDULLOHSUHYD]XWH
‡Obtinerea notei minime de trecere (min. 5) la lucrarea scrisa.

'DWDOLVWăULL Titulari,
24/02/2024

'DWDDYL]ăULLvQGHSDUWDPHQW Director departament,

Pagina 5/5