Отчет о практике. Место практики г. Томск, ОИТ ИШИТР ТПУ

Введение 3
1. Визуальный метод анализа данных(Visual Maining) 5
1.1 Выполнение визуального анализа данных 5
1.2 Характеристики средств визуализации данных 8
1.3 Методы визуализации 10
1.4 Теоретические основы Power BI 14
2. Сбор и визуализация данных на примере нефтеперерабатывающей компании 20
2.1 Система работы, сбор и объединение данных 20
2.3 Визуализация информации с помощью Power BI 21
Заключение 23
Список литературы 24

Весь текст будет доступен после покупки

Сбор и анализ больших объемов данных становится все более востребованным направлением. Необходимость поиска закономерностей в больших базах данных усложняет и без того нетривиальную задачу анализа. Такая ситуация особенно характерна для бизнеса, связанного с розничной торговлей, телекоммуникациями, банками, интернетом. В их базах данных аккумулируется огромное количество информации, связанной с транзакциями: чеки, платежи, звонки, логи и т.п.
В настоящей работе рассматривается задача сбора, данных из разных источников, их структурирование, и последующий анализ посредством визуализации.
Для решения данной задачи будем использовать один из языков объектно- ориентированного программирования, в нашем случае этим языком является Python, и многофункциональное гибридное веб-приложение Power BI Desktop.

Весь текст будет доступен после покупки

1. Визуальный метод анализа данных(Visual Maining)
1.1 Выполнение визуального анализа данных

Результаты, получаемые при анализе данных с помощью методов Data Mining, не всегда удобны для восприятия человеком. Во множестве классификационных или ассоциативных правил, в математических формулах человеку достаточно сложно быстро и легко найти новые и полезные знания. Из-за сложности информации это не всегда возможно и в простейших графических видах представления знаний, таких как деревья решений, дейтограммы, двумерные графики и т. П. В связи с этим возникает необходимость в более сложных средствах отображения результатов анализа. К ним относятся средства визуального анализа данных, которые в зарубежной литературе часто называют термином Visual Mining.
Основной идеей визуального анализа данных является представление данных в некоторой визуальной форме, позволяющей человеку погрузиться в данные, работать с их визуальным представлением, понять их суть, сделать выводы и напрямую взаимодействовать с данными.
До недавнего времени визуальный анализ данных для отображения результатов на обычных мониторах использовал только двумерную или очень простую трехмерную графику. Более сложные графические образы отображать в реальном времени было достаточно сложно и дорого. Однако прогресс в области аппаратных средств вывода изображений способствовал и совершенствованию средств визуального анализа данных. В настоящее время существует достаточно большое количество различных видов графических образов, позволяющих представлять результаты анализа в виде, удобном для понимания человеком.
С помощью новых технологий пользователи способны оценивать: большие объекты или маленькие, далеко они находятся или близко. Пользователь в реальном времени может двигаться вокруг объектов или

кластеров объектов и рассматривать их cо всех сторон. Это позволяет использовать для анализа естественные человеческие перцепционные навыки в обнаружении неопределенных образцов в визуальном трехмерном представлении данных.
Визуальный анализ данных особенно полезен, когда о самих данных мало известно и цели исследования до конца непонятны. За счет того, что пользователь напрямую работает с данными, представленными в виде визуальных образов, которые он может рассматривать с разных сторон и под любыми углами зрения, в прямом смысле этого слова, он может получить дополнительную информацию, которая поможет ему более четко сформулировать цели исследования.
Таким образом, визуальный анализ данных можно представить как процесс генерации гипотез. При этом сгенерированные гипотезы можно проверить или автоматическими средствами (методами статистического анализа или методами Data Mining), или средствами визуального анализа. Кроме того, прямое вовлечение пользователя в визуальный анализ имеет два основных преимущества перед автоматическими методами:
а) визуальный анализ данных позволяет легко работать с неоднородными и зашумленными данными, в то время как не все автоматические методы могут работать с такими данными и давать удовлетворительные результаты;
б) визуальный анализ данных интуитивно понятен и не требует сложных математических или статистических алгоритмов.
Следствием этих преимуществ является то, что визуальный анализ выполняется быстрее и в некоторых случаях дает лучший результат, чем автоматические методы анализа.

Еще одним важным достоинством визуального анализа является высокая степень конфиденциальности полученных сведений, т. К. они целиком сосредоточены в голове аналитика и не сохраняются даже в оперативной памяти компьютера.

Весь текст будет доступен после покупки

1. Паклин Н. Б., Орешков В. И. Визуализация данных / Бизнес-аналитика. От данных к знаниям. — 2-е изд. — СПб.: Питер, 2013. — 173 с.
2. Барсегян А.А., Куприянов М.С., Холод И.И. Анализ данных и процессов: Учебное пособие / СПб:БХВ-Петербург, 2009. - 512 с
3. Марк Саммерфилд. Python на практике. / Перевод с английского. — М.: ДМК Пресс, 2014. — 338 с.
4. Сузи Р. А. Язык программирования Python: Учебное пособие. / М.: ИНТУИТ, БИНОМ. Лаборатория знаний, 2006. — 328 с.
5. Маккинли У. Python и анализ данных. / Перевод с английского. — М.: ДМК Пресс, 2015. — 482 с.
6. А. Н. Чаплыгин. Учимся программировать вместе с Питоном. / Учебник. — ревизия 226. — 135 с.
7. Rob Collie. Power Pivot and Power Bi: The Excel User's Guide to Dax, Power Query, Power Bi & Power Pivot in Excel 2010-2016 / 2016г. — 314 с.

Весь текст будет доступен после покупки