спасибо за помощь!
Информация о работе
Подробнее о работе
Data Mining: методы классификации и прогнозирования
- 30 страниц
- 2017 год
- 781 просмотр
- 3 покупки
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Введение
В данной работе рассматриваются методы классификации и прогнозирования Data minining. Последнее понятие до сих пор не имеет общепринятого перевода на русский язык, одно из самых распространенных названий, интеллектуальный анализ данных. Под технологиями Data Mining понимается такая структура баз данных и такие методы их анализа, которые позволяют выявлять новые закономерности, зависимости, для которых априори не было предпосылок. Постановка задачи такова, что в большой базе данных могут иметься некие «новые знания», которые можно получить на основании методов Data minning.
В данной работе мы рассмотрим:
• основные задачи, которые решаются Data mining
• описание методов классификации и прогнозирования
Задачи, которые решаются Data meaning, находят самые разнообразные сферы применения.
Во-первых это бизнес-задачи. Сюда относится прогнозирование на фондовых рынках и электронная коммерция, управление предприятием, управление системой взаимодействия с клиентами и т.д.
Во-вторых это научные задачи. Интеллектуальный анализ данных незаменим в биологиии, медицине, астрономии, информатики, кибернетике, физике.
В-третьих, это задачи анализа Web-данных. Сюда относятся задачи поисковых систем, технологии поиска по изображению, голосу, систем безопасности в сети.
Содержание
Аннотация 5
Введение 7
Основные задачи Data meaning 8
Задачи классификации и прогнозирования 10
Классификация и прогнозирование с помощью деревьев решений. 13
Метод опорных векторов. 17
Метод ближайшего соседа 19
Байесовская классификация 21
Методы классификации и прогнозирования (нейронные сети). 23
Основы теории нейронных сетей 23
Заключение. 28
Список литературы 30
Заключение.
Мы рассмотрели методы классификации и прогнозирования в задачах Data meaning. Мы рассмотрели основные задачи, решаемые методами интеллектуального анализа данных. Затем мы остановились на сути задач решаемых методами классификации и прогнозирования. В дальнейшем мы, познакомились с основными методами интеллектуального анализа данных такие как: Классификация и прогнозирование с помощью деревьев решений, метод опорных векторов, метод ближайшего соседа, байесовская классификация, алгоритмы основанные на нейронных сетях.
Отметим, что применение интеллектуальной обработки данных не требует высокой квалификации человека, применяющего данные методы.
Интеллектуальная обработка информации реализована во всех программах, предназначенных для анализа данных. Это и табличные процессоры (Excel, Open Office Calc), программы анализа данных Origin, Statistica, Matlab и др.
Рассмоотренные методы Data meaning находят все новые и новые решения: это и управление предприятием, системы поддержки принятия решения, анализ текста, звука, изображений, по самым различным признакам, в самых различных областях.
Алгоритмы нейронных сетей используются как в пакетах аналитических программ, таких как Deductor, Matlab (используются специальные нейропакеты), так и в специализированных программах NeuroShell, NeuroScalp и т.д.
В данный момент нейросети находят все новые и новые применения, такие как, управление предприятиями, банковское дело, распознавание текста, звука.
Особенно часто применяются нейронные сети в научных исследованиях, инженерных расчетах, задачах обороны, космической отрасли. Здесь особенно ценны такие свойства нейронных сетей как возможность проведения параллельной обработки данных, возможность обучения. Именно эти свойства позволяют получать 10-кратное увеличение производительности обработки информации и получение нового качества информации в этих сферах.
Мы рассмотрели методы классификации Data Mining с теоретической точки зрения, с указанием применения в различных областях науки, бизнеса, экономики и управления. Мы выбирали примеры наиболее близкие к повседневным задачам, решаемым в финансовой областях, бизнесе и науке.
Список литературы
1. Л. В. Щавелёв Способы аналитической обработки данных для поддержки принятия решений. — СУБД. 1998. № 4-5
2. Владимир Вьюгин. Математические основы машинного обучения и прогнозирования. — МЦМНО, 2014
3. Венкатеш Ганти, Йоханнес Герке, Раджу Рамакришнан. Добыча данных в сверхбольших базах данных. — Открытые системы, 1999, №9-10
4. НОУ ИНТУИТ | Data Mining | Информация. [Электронный ресурс]. URL: http://www.intuit.ru/studies/courses/6/6/info (дата обращения: 03.01.2017).
5. Christopher M. Bishop. Pattern recognition and machine learning, 2006.
6. Осовский С. Нейронные сети для обработки информации.
7. А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Нейроинформатика. - Новосибирск: Наука. Сибирское предприятие РАН, 1998.
8. Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) / Под общ. ред. В.Б. Новосельцева. – Томск: Изд-во НТЛ, 2006.
9. Стратонович, Ю.Р. Базы и хранилища данных информационных систем: учебное пособие / Ю. Р. Стратонович ; Министерство сельского хозяйства Российской Федерации, Российский гос. аграрный ун-т - МСХА им. К. А. Тимирязева (Москва). - Москва : РГАУ-МСХА им. К. А. Тимирязева, 2013.
10. Дюк В.А., Самойленко А.П. Data Mining: учебный курс.-СПб.: Питер, 2001
11. Эделстейн Г. Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах.-ComputerWeek-Москва. 1996. № 16. С. 32-33
12. Chickering D, Geiger D., Heckerman D. Learning Bayesian networks: The combination of knowledge and statistical data Machine Learning. 1995.
13. Ian H. Witten, Eibe Frank and Mark A. Hall. Data Mining: Practical Machine Learning Tools and Techniques. — 3rd Edition. — Morgan Kaufmann, 2011.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
