Конспекты лекций для студентов специальности 5В100200 Системы информационной безопасности Алматы 2017 алматинский

24 
Задача ORM состоит в управлении трансляцией объектных типов в 
записи баз данных и обратно. Основная проблема состоит в том, что объекты 
имеют иерархическую структуру, а базы данных – реляционную. 
Использование ORM в проекте избавляет разработчика от 
необходимости работы с SQL и написания большого количества кода. Весь 
генерируемый ORM код предположительно хорошо проверен, и не нужно 
задумываться о его тестировании. Минусом же ORM является потеря 
производительности за счет того, что система обрабатывает широкий спектр 
сценариев использования данных, гораздо большего, чем любое отдельное 
приложение когда-либо сможет использовать.
5.4
 
Контрольные вопросы
1
Что собой представляет БД? 
2
Что такое данные? 
3
Как классифицируют типы БД? 
4
Что такое запрос? 
5
Какие модели данных существуют? 
6
Что такое ORM? 
7
Основы языка SQL? 
8
В чем заключается оптимизация запросов? 
9
Что такое нормализация? 
10
Какие требования предъявляются к БД? 
6
 
Лекция № 6. Анализ данных. Управление данными 
 
Цель лекции: 
изучить основы анализа данных. 
 
Содержание лекции: 
методы сбора, классификации и прогнозирования. 
Деревья решений. Обработка больших объёмов данных. Методы и стадии 
Data Mining. Задачи Data Mining. Визуализация данных. 
6.1
 
Анализ данных
Анализ 
данных
 
– 
это 
процесс 
исследования, 
фильтрации, 
преобразования и моделирования данных с целью извлечения полезной 
информации и принятия решений. Анализ данных имеет множество аспектов 
и подходов, охватывает разные методы в различных областях науки и 
деятельности.
Для создания плана сбора данных необходимо: 
1)
Определить проблемы и сформулировать цели исследования. 
2)
Осуществить предварительное изучение интересующей темы. 
3)
Разработать концепции исследования. 

25 
4)
Произвести детальное планирование исследования. 
5)
Произвести отбор источников информации и сбор вторичных данных. 
6)
Оценить полученные данные и принять решение, насколько 
необходимы первичные данные. 
7)
Определить способ сбора первичных данных: опрос, наблюдение, 
эксперимент. 
8)
Провести непосредственно сбор первичной информации. 
9)
Представить результаты исследования (презентация). 
Методы прогнозирования данных делятся на: интуитивные, которые 
имеют дело с суждениями и оценками экспертов; формализованные, которые 
уже описаны в литературе и на основе которых уже строят модели 
прогнозирования. 
Деревья решений широко используются в области анализа данных. 
Деревья решений
– это способ представления правил в иерархической, 
последовательной 
структуре, 
где 
каждому 
объекту 
соответствует 
единственный узел, дающий решение. 
Все задачи, которые решает способ дерева, могут быть объединены в 
следующие три класса: 
Описание данных:
Деревья решений позволяют хранить информацию о 
данных в компактной форме, вместо них мы можем хранить дерево решений, 
которое содержит точное описание объектов. 
Классификация:
Деревья решений отлично справляются с задачами 
классификации, т.е. отнесения объектов к одному из заранее известных 
классов. Целевая переменная должна иметь дискретные значения. 
Регрессия:
Если целевая переменная имеет непрерывные значения, 
деревья решений позволяют установить зависимость целевой переменной от 
независимых(входных) переменных. Например, к этому классу относятся 
задачи численного прогнозирования (предсказания значений целевой 
переменной). 
Существует много алгоритмов, которые реализуют деревья решений, 
среди них такие, как CART, C4.5, NewId, ITrule, CHAID, CN2 и т.д. Но 
наиболее распространены следующие: 
CART (Classification and Regression Tree)
– алгоритм построения 
бинарного дерева решений – дихотомической классификационной модели. 
Каждый узел такого дерева при разбиении имеет только двух потомков. 
Алгоритм решает задачи классификации и регрессии. 
C4.5
– это алгоритм построения дерева решений, в котором количество 
потомков у узла не ограничено.

жүктеу/скачать 1,02 Mb.

Достарыңызбен бөлісу: