По направлению подготовки
жүктеу/скачать 241,71 Kb. Pdf көрінісі
|
Интеллектуальный анализ данных
| Код В1 (ПК-11)
6
п/п Наименование раздела дисциплины Содержание раздела 1 2 3 1.
Введение. Алгоритм Байеса. Деревья решений. Линейная регрессия Основные задачи интеллектуального анализа, примеры его использования в разных отраслях деятельности. Этапы проведения интеллектуального анализа данных. Оценка качества алгоритмов Data Mining. Архитектура СУБД Microsoft SQL Server. Краткий обзор алгоритмов интеллектуального анализа. Ассоциация. Классификация. Кластеризация. Прогнозирование. Дерево решений. Регрессионный и корреляционный анализ Формула Байеса. Связь классификации с проверкой статистических гипотез. Алгоритм регрессии, предоставляемый службами Microsoft SQL Server Службы Analysis Services для использования в прогнозирующем моделировании как дискретных и непрерывных атрибутов. Принципы работы алгоритмов. 2.
Корреляционно- регрессионный анализ данных Задача оценивания параметров. Метод наименьших квадратов (МНК). Система нормальных уравнений и ее решение. Свойства оценок параметров, полученных МНК. Геометрическая интерпретация метода наименьших квадратов. Разложение суммы квадратов отклонений наблюдаемых значений зависимой переменной от ее выборочного среднего. Дисперсионный анализ. Коэффициент детерминации и его свойства. Связь между коэффициентом детерминации и коэффициентом корреляции. Выражение коэффициента наклона уравнения регрессии через коэффициент корреляции и ковариацию зависимой и независимой переменных. Классическая линейная регрессия для случая одной объясняющей переменной. Статистические характеристики (математическое ожидание, дисперсия и ковариация) оценок параметров. Теорема Гаусса-Маркова. Предположение о нормальном распределении случайной ошибки в рамках классической линейной регрессии и его следствия. Доверительные интервалы оценок параметров и проверка гипотез о их значимости (t-тест). Проверка адекватности регрессии (F-тест). Прогнозирование по регрессионной модели и его точность. Доверительный интервал для прогнозных значений. Зависимость точности от горизонта прогноза. Регрессия в центрированных и нормированных переменных. 3. Анализ и прогнозирование временных рядов. Методы анализа, предназначенные для выявления структуры временных рядов. Методология прогнозирования временных рядов. Точность прогноза. Авторегрессионные модели. 4. Методы
классификации. Кластерный анализ Алгоритм классификации, предоставляемый службами Microsoft SQL Server Службы Analysis Services для использования в прогнозирующем моделировании как
7
№ п/п
Наименование раздела
дисциплины Содержание раздела 1 2
дискретных и непрерывных атрибутов. 5.
Факторный, дисперсионный, компонентный, дискриминантный методы анализа Алгоритмы факторного, дисперсионного, компонентного, дискриминантного методов анализа и их применение при исследовании в разных отраслях профессиональной деятельности. 6.
Нейросетевые алгоритмы классификации. Логистическая регрессия. Понятия искусственных нейронных сетей. Многослойные сети прямого распространения. Алгоритм обратного распространения ошибки. Машины опорных векторов. Вероятностные нейронные сети. 7.
Использование методов
интеллектуального анализа данных в перспективных направлениях развития информационных технологии Обзор наиболее успешных продуктов, библиотек в выбранном направлении из области анализа данных. История развития, степень развития, назначение, функции, конкретные примеры использования, самостоятельное применение, лицензии, стандарты, применяемые средства анализа данных, предоставляемые API, совместимые технологии и т.д. жүктеу/скачать 241,71 Kb. Достарыңызбен бөлісу:
|