Презентация «Методы анализа данных. Примеры задач. Иллюстрации»
Смотреть слайды в полном размере 
Вы можете ознакомиться с презентацией онлайн, просмотреть текст и слайды к ней, а также, в случае, если она вам подходит - скачать файл для редактирования или печати. Документ содержит 131 слайд и доступен в формате ppt. Размер файла: 11.24 MB
Pic.1
Методы анализа данных Примеры задач. Иллюстрации Ганелина Наталья Давидовна Кафедра АСУ 12657@211. ru
Pic.2
Структура курса Задачи и методы анализа данных Корреляционный анализ данных Регрессионный анализ данных Поиск ассоциативных взаимосвязей Кластеризация Классификация Снижение размерности многомерного …
Pic.3
Структура курса Генетические алгоритмы и эволюционное моделирование задач анализа данных Statistica PolyAnalyst SPSS Deductor Excel
Pic.4
БРС Лабораторные работы: 40 баллов РГР: 40 баллов Зачет: 20 баллов «Автомат»: от 77 баллов
Pic.5
Рекомендуемая литература Айвазян С. А. , Бухштабер В. М. , Енюков И. С. , Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности. - М. : Финансы и статистика, 1989. Айвазян С. А. …
Pic.6
Рекомендуемая литература
Pic.7
Рекомендуемая литература Бериков В. Б. Анализ статистических данных с использованием деревьев решений: Учебное пособие. – Новосибирск. Изд-во НГТУ, 2002. – 60 с. Бокс Дж. , Дженкинс Г. Анализ …
Pic.8
Рекомендуемая литература Дюк В. А. , Самойленко А. П. Data Mining: учебный курс. — СПб. : Питер, 2001. – 368 с. Елманова Н. Введение в Data Mining. // Компьютер Пресс 8, 2003, С. 28-39. Кендэл М. …
Pic.9
Рекомендуемая литература Гайдышев И. Анализ и обработка данных: специальных справочник. – Спб. : Питер, 2001. – 752 с. И. Гайдышев. Решение научных и инженерных задач средствами Excel, VBA и C/C++. - …
Pic.10
Иллюстрации Большинство примеров и иллюстраций заимствованы из учебных пособий, представленных в списке рекомендованной литературы. На лекции в обязательном порядке указывается источник.
Pic.11
Признаки
Pic.12
Методы DM
Pic.13
Системы DM
Pic.14
Программное обеспечение анализа данных
Pic.15
Программное обеспечение анализа данных
Pic.16
Пакеты
Pic.17
Pic.18
Pic.19
Pic.20
Pic.21
Pic.22
Pic.23
Pic.24
Pic.25
Дисперсионный анализ Однофакторный дисперсионный анализ для несвязанных выборок Последовательность операций
Pic.26
Дисперсионный анализ Однофакторный дисперсионный анализ для несвязанных выборок Обозначения СК или SS – сумма квадратов SSфакт. – вариативность, обусловленная действием исследуемого фактора SSобщ. – …
Pic.27
Дисперсионный анализ Однофакторный дисперсионный анализ для несвязанных выборок Последовательность операций
Pic.28
Дисперсионный анализ
Pic.29
Дисперсионный анализ
Pic.30
Корреляционный анализ
Pic.31
Корреляционный анализ Коэффициенты корреляции в зависимости от типа переменных
Pic.32
Линия регрессии
Pic.33
Регрессионный анализ
Pic.34
Регрессионный анализ
Pic.35
Регрессионный анализ Пример расчетов
Pic.36
Регрессионный анализ
Pic.37
Регрессионный анализ
Pic.38
Регрессионный анализ
Pic.39
Регрессионный анализ
Pic.40
Регрессионный анализ
Pic.41
Регрессионный анализ
Pic.42
Задание на л/р По результатам статистического исследования физического развития мальчиков 5 лет известно, что их средний рост (х) равен 109 см, а средняя масса тела (у) равна 19 кг. Коэффициент …
Pic.43
Задание на л/р
Pic.44
Решение задачи ЭТАПЫ РЕШЕНИЯ ЗАДАЧИ 1. Коэффициент регрессии: Ry/x = rxy х (σy/σx) = +0,9 × (0,8/4,4) = 0,16 кг/см. Таким образом, при увеличении роста мальчиков 5 лет на 1 м масса тела увеличивается …
Pic.45
Решение
Pic.46
Транзакции
Pic.47
![Алгоритм (* [Чубукова])](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img46.jpg)
Алгоритм (* [Чубукова])
Pic.48
Алгоритм (* Чубукова)
Pic.49
Алгоритм (* Чубукова)
Pic.50
Алгоритм
Pic.51
Алгоритм
Pic.52
Алгоритм. Свойство антимонотонности
Pic.53
Алгоритм
Pic.54
Примеры
Pic.55
Примеры
Pic.56
Примеры
Pic.57
Деревья решений (decision trees)
Pic.58
Деревья решений Дерево решений (выдача кредита)
Pic.59
Pic.60
Конструирование модели Конструирование модели
Pic.61
Классификация Использование модели
Pic.62
Классификация Пример решения методом линейной регрессии (схематическое решение)
Pic.63
Классификация Пример решения методом деревьев решений
Pic.64
Классификация Пример решения методом нейронный сетей
Pic.65
Классификация Метод находит образцы, находящиеся на границах между двумя классами, т. е. опорные вектора. Опорными векторами называются объекты множества, лежащие на границах областей.
Pic.66
Классификация Классификация считается хорошей, если область между границами пуста.
Pic.67
Классификация
Pic.68
Классификация Метод k-ближайших соседей для решения задач классификации
Pic.69
Классификация
Pic.70
Классификация
Pic.71
Классификация
Pic.72
Классификация
Pic.73
Классификация Y – вектор выходных сигналов, X – вектор входных сигналов, в выходном слое N0 нейронов, в каждом скрытом слое – NH нейронов, входной слой – NI нейронов.
Pic.74
Классификация Результат работы i-го слоя (Yi – вектор выхода i-го слоя многослойного перцептрона):
Pic.75
Классификация Если заданы начальные значения Y: yj,0=xj, то результат работы перцептрона
Pic.76
Классификация Двухслойный перцептрон
Pic.77
Классификация
Pic.78
Классификация
Pic.79
Кластеризация
Pic.80
Кластеризация Кластеры: пересекающиеся и непересекающиеся
Pic.81
Кластеризация Дендрограмма
Pic.82
Кластеризация Необходимость нормировки (разные масштабы разные классы)
Pic.83
Кластеризация
Pic.84
Кластеризация Расстояние в пространстве трех измерений
Pic.85
Кластеризация
Pic.86
Кластеризация Задание: описать последовательность объединения в классы
Pic.87
Кластеризация
Pic.88
Кластеризация Метод k-средних, k=2
Pic.89
Факторный анализ Жирным выделены значимые нагрузки
Pic.90
Факторный анализ
Pic.91
Факторный анализ
Pic.92
Факторный анализ
Pic.93
Анализ временных рядов График ежедневных данных о среднем числе дефектов на грузовик в конце сборочного конвейера на предприятии по производству грузовиков. Наблюдения осциллируют на некотором …
Pic.94
Анализ временных рядов Данные о производстве (ежегодном) табака в США. Не варьируются около постоянного значения, выявляют предельный, вверх направленный тренд. Дисперсия увеличивается с увеличением …
Pic.95
Анализ временных рядов Ежеквартальные данные о производстве пива в США в течение нескольких лет. Сезонный временной ряд, проявляющий ежегодную тенденцию к повторению. Период сезонности, т. е. …
Pic.96
Анализ временных рядов График реализации вина сладкого сорта на территории Австралии с января 1980 по июнь 1994 года. Нестационарный ряд– изменение в структуре ряда, возникшее из-за некоторого …
Pic.97
Анализ временных рядов Двумерный временной ряд. Ряды коррелированны. Переменные взаимно влияют друг на друга. Необходимо использовать сложные методы анализа, например, векторные авторегрессионные …
Pic.98
Анализ временных рядов
Pic.99
Анализ временных рядов
Pic.100
Анализ временных рядов
Pic.101
Анализ временных рядов
Pic.102
Анализ временных рядов
Pic.103
Анализ временных рядов Обнаружена сезонная составляющая с периодом, равным 12 месяцев (r120. 9).
Pic.104
Анализ временных рядов
Pic.105
Анализ временных рядов
Pic.106
Анализ временных рядов
Pic.107
Анализ временных рядов
Pic.108
Анализ временных рядов
Pic.109
Анализ временных рядов Неадекватная модель
Pic.110
Анализ временных рядов
Pic.111
Анализ временных рядов Выделены тренд-циклический, сезонный и случайный компоненты
Pic.112
Анализ временных рядов
Pic.113
Анализ временных рядов
Pic.114
Анализ временных рядов Временной ряд, содержащий тренд: коррелограмма не стремится к 0.
Pic.115
Анализ временных рядов Ряд с сезонной составляющей, после удаления тренда: коррелограмма показывает наличие сезонной составляющей
Pic.116
Анализ временных рядов
Pic.117
Анализ временных рядов 2 =1
Pic.118
Анализ временных рядов
Pic.119
Анализ временных рядов Автокорреляционные функции авторегрессионных рядов экспоненциально затухают или представляют экспоненциально затухающие синусоидальные волны.
Pic.120
Анализ временных рядов
Pic.121
Pic.122
Генетические алгоритмы
Pic.123
Генетические алгоритмы
Pic.124
Генетические алгоритмы
Pic.125
Параллельные ГА Модель миграции
Pic.126
Параллельные ГА
Pic.127
Параллельные ГА
Pic.128
Параллельные ГА
Pic.129
PolyAnalyst
Pic.130
Pic.131
НАЧАЛО // простой генетический алгоритм Создать начальную совокупность структур(популяцию) Оценить каждую структуру останов := FALSE ПОКА НЕ останов ВЫПОЛНЯТЬ НАЧАЛО // новая итерация (поколение) …
Если вам понравился сайт и размещенные на нем материалы, пожалуйста, не забывайте поделиться этой страничкой в социальных сетях и с друзьями! Спасибо!
