Мардан сапарбаев
жүктеу/скачать 290,41 Kb.
|
| Data Mining кибернетикалық әдістері
Деректердің екінші бағыты - компьютерлік математика және жасанды интеллект теориясын пайдалану идеясы біріктіретін әртүрлі тәсілдер болып табылады. Осы топ мына әдістеріді қамтиды: • жасанды нейрондық желілерді (тануды, кластеризациялық болжау); • эволюциялық бағдарламалау (аргументтердің тобы шотына алгоритмдер әдісін қоса алғанда); • генетикалық алгоритмдер (оңтайландыру); • ассоциативті жады (іздеу аналогтар, прототипі); • айқын логика; • шешім ағаштары; • сараптамалық білімді өңдеу жүйелері. Data Mining әдістерін Data Mining міндеттеріне сәйкес жіктеуге болады. Осы жіктеуге сәйкес екі топты қарастырамыз. Олардың біріншісі - сегменттеу (жіктеу және кластерлеу мәселесіне) және болжау тапсырма проблемасын шешуге арналған Data Mining әдістері бөлімі. Екінші тобы бойынша міндеттерге сәйкес Data Mining әдістерін сипаттама және болжамды қорытындысы бойынша бағытталады. Сызба әдістерін талдаушы тұрғысынан түсіндіру үшін бейімделген деректерді сипаттау үлгілерін табу үшін пайдаланылады. Талдау сипаттама нәтижелерін алуға негізделген әдімтерге итерациялық кластерлік талдау әдістері болып табылады, оның ішінде Л- алгоритм, K-орташа, , Коско өзін-өзі ұйымдастыру карталары, иерархиялық кластерлік талдау әдістері, кросс-кестелік визуализация әдістері, әр түрлі бейнелеу тәсілдері және т.б.: сипаттама алуға бағытталған әдістерін қоса алғанда, Болжалды әдістері белгісіз болжау / болжау үшін кейбір айнымалылардың мәндерін (хабар-ошарсыз кеткен) немесе өзге де (мақсатты) айнымалылардың мәндерін болашақта пайдаланыңыз. Болжалды нәтижелер алуға бағытталған әдістер, мысалы, нейрондық желілер сияқты әдістер, шешім ағаштары, сызықтық Регрессия, жақын көршісі, қолдау вектор машиналары және басқалар. 3.Data Mining әдістері мен кезеңдері. Data Mining міндеттері. Деректерді визуализациялау. Data Mining қандай мәселелерді қарастырады. Көптеген беделді білім көздері келесілерді тізбектейді: жіктелу, кластеризация, болжау, ассоциация, визуализация, талдау және ауытқуларды анықтау, бағалау, қарым-қатынас талдауы, қорытындылау. Деректер визуализациясы - суреттер, графиктер, диаграммалар, кестелер мен диаграммалар арқылы ақпарат беру болып табылады. Визуализацияның мәнділігі деректер қамтылған ақпаратты нақты анықтау және көрсету мүмкіндігін беретіндігінде. Жобалауды визуализациялауда қаншалықты айқын деректердің көрнекі әдістерін дамыту кезінде IT мамандар мен дизайнерлер тең дәрежеде қатысады. Ең түрлі мәселелерді шешу деректер визуализациясы көмегімен орындалады. Біріншіден, бұл талдау бастапқы кезеңдерінде маңызды құрал болып табылады. Графика ең қарапайым деректермен жұмысында деректер үлгілерін басшылыққа алады, трендтерді немесе ауытқуларды табуға мүмкіндік береді. Сол сияқты, журналист, бастауыш деректерді көру кезінде диаграммаларды пайдаланып, одан әрі басқа материалға тарихын әкелуі мүмкін. Екіншіден, визуализация жиі талдау қорытынды нәтижелері туралы ұсыныста маңызды рөл атқарады. Бұл тенденцияларды көрсетуге статикалық графиктер болуы мүмкін; интерактивті визуализация, пайдаланушылар деректерді зерттеуге мүмкіндік беретін және инфографика (статикалық және интерактивті), айқын кескін деректер тарихына негізделген. Визуализация тапсырмасының маңыздысы бір суретте физикалық (әдетте екі өлшемді) өлшеудің шектелген саны дисплейлік өлшеудің берілгендерінен және осы өлшемдегі олардың арасындағы байланыс тұрады . Өзін-өзі бақылауға арналған сұрақтары 1. Пирсон корреляция коэффициентін қалай анықтаймыз? 2. Data Mining міндеттердін қалай шешеміз ? 3. Деректердің үлкен көлемдерін өңдеу нені білдіреді? 4. Ағаштар шешімінің қандай түрлері бар. жүктеу/скачать 290,41 Kb. Достарыңызбен бөлісу:
|