Содержание
- 2. Структура курса Задачи и методы анализа данных Корреляционный анализ данных Регрессионный анализ данных Поиск ассоциативных взаимосвязей
- 3. Структура курса Генетические алгоритмы и эволюционное моделирование задач анализа данных Statistica PolyAnalyst SPSS Deductor Excel
- 4. БРС Лабораторные работы: 40 баллов РГР: 40 баллов Зачет: 20 баллов «Автомат»: от 77 баллов
- 5. Рекомендуемая литература Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности.-
- 6. Рекомендуемая литература http://archive.ics.uci.edu/ml/ http://www.ics.uci.edu/~MLearn/MLRepository.html Базы данных с реальными данными из разных предметных областей для оценки эффективности
- 7. Бериков В.Б. Анализ статистических данных с использованием деревьев решений: Учебное пособие. – Новосибирск. Изд-во НГТУ, 2002.
- 8. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. — СПб.: Питер, 2001. – 368 с. Елманова
- 9. Гайдышев И. Анализ и обработка данных: специальных справочник. – Спб.: Питер, 2001. – 752 с. И.Гайдышев.
- 10. Большинство примеров и иллюстраций заимствованы из учебных пособий, представленных в списке рекомендованной литературы. На лекции в
- 11. Признаки
- 12. Методы DM
- 13. Системы DM
- 14. Программное обеспечение анализа данных
- 15. Программное обеспечение анализа данных
- 16. Пакеты
- 17. Надстройки Excel Надстройки Data Mining к приложению Microsoft Office Excel 2007 для извлечения и обработки данных
- 18. Дисперсионный анализ
- 19. Дисперсионный анализ
- 20. Дисперсионный анализ
- 21. Дисперсионный анализ
- 22. Дисперсионный анализ
- 23. Дисперсионный анализ
- 24. Дисперсионный анализ
- 25. Однофакторный дисперсионный анализ для несвязанных выборок Последовательность операций Дисперсионный анализ
- 26. Однофакторный дисперсионный анализ для несвязанных выборок Обозначения СК или SS – сумма квадратов SSфакт. – вариативность,
- 27. Однофакторный дисперсионный анализ для несвязанных выборок Последовательность операций Дисперсионный анализ
- 28. Дисперсионный анализ
- 29. Дисперсионный анализ
- 30. Корреляционный анализ
- 31. Корреляционный анализ Коэффициенты корреляции в зависимости от типа переменных
- 32. Линия регрессии
- 33. Регрессионный анализ Анализ остатков
- 34. Регрессионный анализ
- 35. Регрессионный анализ Пример расчетов
- 36. Регрессионный анализ
- 37. Регрессионный анализ
- 38. Регрессионный анализ
- 39. Регрессионный анализ
- 40. Регрессионный анализ
- 41. Регрессионный анализ
- 42. По результатам статистического исследования физического развития мальчиков 5 лет известно, что их средний рост (х) равен
- 43. Задание на л/р
- 44. Решение задачи ЭТАПЫ РЕШЕНИЯ ЗАДАЧИ 1. Коэффициент регрессии: Ry/x = rxy х (σy/σx) = +0,9 ×
- 45. Решение
- 46. Транзакции
- 47. Алгоритм (* [Чубукова])
- 48. Алгоритм (* Чубукова)
- 49. Алгоритм (* Чубукова)
- 50. Алгоритм
- 51. Алгоритм
- 52. Алгоритм. Свойство антимонотонности
- 53. Алгоритм
- 54. Примеры
- 55. Примеры
- 56. Примеры
- 57. Деревья решений (decision trees)
- 58. Деревья решений Дерево решений (выдача кредита)
- 59. Классификация Множество объектов в двумерном измерении, цвет обозначает класс (оранжевый – класс1, серый – класс2, белый
- 60. Конструирование модели Классификация
- 61. Классификация Использование модели
- 62. Классификация Пример решения методом линейной регрессии (схематическое решение)
- 63. Классификация Пример решения методом деревьев решений
- 64. Классификация Пример решения методом нейронный сетей
- 65. Классификация Метод находит образцы, находящиеся на границах между двумя классами, т.е. опорные вектора. Опорными векторами называются
- 66. Классификация Классификация считается хорошей, если область между границами пуста.
- 67. Классификация
- 68. Классификация Метод k-ближайших соседей для решения задач классификации + известный экземпляр принадлежит классу; известный экземпляр не
- 69. Классификация
- 70. Классификация
- 71. Классификация
- 72. Классификация n входов, на которые поступают сигналы, идущие по синапсам на 3 нейрона. Эти три нейрона
- 73. Y – вектор выходных сигналов, X – вектор входных сигналов, в выходном слое N0 нейронов, в
- 74. Результат работы i-го слоя (Yi – вектор выхода i-го слоя многослойного перцептрона): Классификация
- 75. Если заданы начальные значения Y: yj,0=xj, то результат работы перцептрона Классификация
- 76. Двухслойный перцептрон Классификация
- 77. Классификация
- 78. Классификация
- 79. Кластеризация
- 80. Кластеризация Кластеры: пересекающиеся и непересекающиеся
- 81. Дендрограмма Кластеризация
- 82. Необходимость нормировки (разные масштабы → разные классы) Кластеризация
- 83. Кластеризация
- 84. Расстояние в пространстве трех измерений Кластеризация
- 85. Кластеризация
- 86. Задание: описать последовательность объединения в классы Кластеризация
- 87. Кластеризация
- 88. Кластеризация Метод k-средних, k=2 Выбор k: Если нет предположений относительно этого числа, рекомендуют создать 2 кластера,
- 89. Факторный анализ Жирным выделены значимые нагрузки
- 90. Факторный анализ
- 91. Факторный анализ
- 92. Факторный анализ
- 93. Анализ временных рядов График ежедневных данных о среднем числе дефектов на грузовик в конце сборочного конвейера
- 94. Анализ временных рядов Данные о производстве (ежегодном) табака в США. Не варьируются около постоянного значения, выявляют
- 95. Анализ временных рядов Ежеквартальные данные о производстве пива в США в течение нескольких лет. Сезонный временной
- 96. Анализ временных рядов График реализации вина сладкого сорта на территории Австралии с января 1980 по июнь
- 97. Анализ временных рядов Двумерный временной ряд. Ряды коррелированны. Переменные взаимно влияют друг на друга. Необходимо использовать
- 98. Анализ временных рядов
- 99. Анализ временных рядов
- 100. Анализ временных рядов
- 101. Анализ временных рядов
- 102. Анализ временных рядов
- 103. Анализ временных рядов Обнаружена сезонная составляющая с периодом, равным 12 месяцев (r12≈0.9).
- 104. Анализ временных рядов
- 105. Анализ временных рядов
- 106. Анализ временных рядов
- 107. Анализ временных рядов
- 108. Анализ временных рядов
- 109. Анализ временных рядов Неадекватная модель
- 110. Анализ временных рядов
- 111. Анализ временных рядов Выделены тренд-циклический, сезонный и случайный компоненты
- 112. Анализ временных рядов
- 113. Анализ временных рядов
- 114. Анализ временных рядов Временной ряд, содержащий тренд: коррелограмма не стремится к 0.
- 115. Анализ временных рядов Ряд с сезонной составляющей, после удаления тренда: коррелограмма показывает наличие сезонной составляющей
- 116. Анализ временных рядов
- 117. Анализ временных рядов σ2 =1
- 118. Анализ временных рядов
- 119. Анализ временных рядов Автокорреляционные функции авторегрессионных рядов экспоненциально затухают или представляют экспоненциально затухающие синусоидальные волны.
- 120. Анализ временных рядов
- 121. Генетические алгоритмы
- 122. Генетические алгоритмы
- 123. Генетические алгоритмы
- 124. Генетические алгоритмы
- 125. Параллельные ГА Модель миграции
- 126. Параллельные ГА
- 127. Параллельные ГА
- 128. Параллельные ГА
- 129. PolyAnalyst
- 130. Генетические алгоритмы
- 132. Скачать презентацию