Исследование интеллектуальных алгоритмов классификации и кластеризации

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1 ОПРЕДЕЛЕНИЕ КЛАССИФИКАЦИИ И КЛАСТЕРИЗАЦИИ………...8
1.1. Введение в классификацию……………………………………………….9
1.2. Основы классификации…………………………………………………..11
1.3 Общие методы классификации……………………………………….…..12
1.4 Способы использования классификации………………………………..14
1.5 Введение в кластеризацию……………………………………………….15
1.6 Общие методы кластеризации…………………………………………….20
1.6.1 K-средние………………………………………………………………...21
1.6.2. DBSCAN…………………………………………………………………22
1.6.3. Спектральная кластеризация……………………………………………24
1.6.4. Средний сдвиг……………………………………………………………26
1.6.5. Распространение сходства………………………………………………27
1.7 Использование кластеризации……………………………………………29
1.7.1. Распространенные способы использования……………………………29
1.7.2. Менее распространенные способы использования…………………….30
2 ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ АНАЛИЗА ДАННЫХ С ПРИМЕНЕНИЕМ КЛАСТЕРИЗАЦИИ…………….………………………..32
2.1 Обзор программного обеспечения……………………….………………32
2.2 Платформа Deductor Studio…………………………………..………….36
3 ИССЛЕДОВАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ АЛГОРИТМОВ КЛАССИФИКАЦИИ И КЛАСТЕРИЗАЦИИ
3.1 Прикладные задачи, решаемые методами классификации и
кластеризации…………………………………………………………………..
3.2 Решение задачи оценки технического состояния дымовых труб методом «Деревья решений»…………………………………………………………...
3.3 Решение задачи оценки рынка потенциальных заемщиков по
данным бухгалтерской отчётности организации методом «k-means»…………
3.4 Решение задачи анализа скоринговой карты отклика методом
«Логистическая регрессия»……………………………………………………….
3.5 Решение задачи анализа данных онлайн торговли методами EM-кластеризация, к-means, g-means, деревья решений, карты Коххонена…………………………
3.6 Выводы по решению задач интеллектуальными методами классификации и кластеризации……………………………………………………………………
ЗАКЛЮЧЕНИЕ……………………………………………………..…………....
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ.……………………………….

Весь текст будет доступен после покупки

Решаемые в последнее время практические задачи анализа больших объемов данных связаны с применением методов и алгоритмов обучения. Следует отметить, что к методам, широко применяемым для интеллектуального анализа данных, относятся методы классификации и кластеризации, для реализации которых используются различные подходы. Вместе с тем, как показывает практика, качество результатов анализа больших данных зависит от свойств конкретного алгоритма, используемого для классификации и кластеризации. Выбор того или алгоритма классификации и кластеризации обусловлен не только объемами обрабатываемых данных, но и его эффективностью. Для определения целесообразности применения алгоритмов для решения конкретной задачи анализа данных необходимо провести их исследование.
Таким образом, исследование алгоритмов классификации и кластеризации представляет актуальность и научно-практический интерес. Объектом исследования ВКР работы является исследование интеллектуальных алгоритмов классификации и кластеризации на платформе Deductor Studio.

Весь текст будет доступен после покупки

1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ. ОПРЕДЕЛЕНИЕ КЛАССИФИКАЦИИ И КЛАСТЕРИЗАЦИИ

На первой стадии исследования надо изучить различия между методами классификации и кластеризации для машинного обучения. Сначала мы начнем с описания идей, лежащих в основе обеих методологий, и преимуществ, которые они несут в себе по отдельности. Затем мы перечислим их основные методы и способы использования. Мы также составим контрольный список для определения, какую категорию алгоритмов использовать при решении новых задач. В результате мы поймем, в чем функция методов классификации и кластеризации и каковы их типичные случаи использования.


1.1 Введение в классификацию


И классификация, и кластеризация являются распространенными методами для выполнения интеллектуального анализа данных на наборах данных. Хотя опытный специалист по обработке данных владеет и тем, и другим, однако они не одинаково подходят для решения всех задач. Поэтому важно понимать их конкретные преимущества и ограничения.
Проблемы классификации — это категория проблем, которые относятся к контролируемому обучению в машинном обучении. Вкратце, это соответствует присвоению меток серии наблюдений. Классификация в реальном мире возможна только тогда, когда у нас есть предварительные знания о том, что метки представляют семантически. Хотя проблема классификации сама по себе может быть описана исключительно математическими обозначениями, разработка системы машинного обучения для внедрения в реальный мир требует от нас рассмотрения более крупных систем, в которые будет встроен наш продукт. Это, в свою очередь, требует сопоставления меток с какими-то реальными семантическими категориями.

Весь текст будет доступен после покупки

1. Воронцов К.В. Алгоритмы кластеризации и многомерного шкалирования. Курс лекций. МГУ, 2007.
2. Jain A., Murty M., Flynn P. Data Clustering: A Review. // ACM Computing Surveys. 1999. Vol. 31, no. 3.
3. Котов А., Красильников Н. Кластеризация данных. 2006.
4. Мандель И. Д. Кластерный анализ. — М.: Финансы и Статистика, 1988.
5. Прикладная статистика: классификация и снижение размерности. / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин — М.: Финансы и статистика, 1989.
6. Информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных —www.machinelearning.ru
7. Чубукова И.А. Курс лекций «Data Mining», Интернет-университет информационных технологий — www.intuit.ru/department/database/datamining
8. Шамстудинов, Т. М. Визуализация знаний в учебном процессе / Т. М. Шамстудинов // Научная визуализация. – 2023. т 15, №1, с. 100 – 111. -https://sv-journal.org/2023-1/09/?lang=ru.
9. Айзерман М. А., Браверман Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970. 320 pp.
10. Белецкий Н.Г. Применение колистетов для многоклассовой классификации, 1983

Весь текст будет доступен после покупки