МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ

Интеллектуальный анализ данных в системах поддержки принятия решений

ПРАКТИКУМ

Кафедра: Территориально-распределенных                    информационных систем

Разработчики: проф. Куренков Н.И., д.т.н., доцент Сбоев А.Г., к.ф.-м.н.  

Москва, 2013

   

---

Куренков Н.И., Сбоев А.Г. Интеллектуальный анализ данных в системах поддержки принятия решений:  Практикум. – М.: МЭСИ, 2013. Целью практикума является практическое закрепление полученных на лекциях и семинарах теоретических знаний по дисциплине «Интеллектуальный анализ данных в системах поддержки принятия решений».

© Куренков Н.И., Сбоев А.Г., 2013

---

Оглавление

Тема 1.Введение в ИАД………………………………………………………………………………………………………………… 3 Реферат № 1 …………………………………………………………………………………………………………………………………..3 Тема 2. Дополнительные сведения из курса высшей математики…………………………………………3 Контрольная работа № 1……………………………………………………………………………………………………………….3 Тема 3. Первичный анализ данных и их реализация в системе Matlab…………………………………3 Лабораторная работа № 1 «Графическое представление данных в различных типах шкал, их графическое представление в МАТЛАБ»………………………………………………………………………………3 Тема 4. Основы анализа данных 3 Лабораторная работа № 2. «Сжатие данных» …………………………………………………………………………..3 Тема 5. Базовые методы ИАД ………………………………………………………………………………………………………4 Лабораторная работа № 3 «Методы классификации» …………………………………………………………….4 Тема 6. Применение ИАД в задачах СППР…………………………………………………………………………………5 Лабораторная работа № 4. «Метод анализа иерархий» ………………………………………………………….5 Тематика докладов для форума № 1 ………………………………………………………………………………………….5 Тема 7. Информационные технологии в ИАД. ………………………………………………………………………….5 Реферат № 2……………………………………………………………………………………………………………………………………5 Тема 8. Нейросетевые технологии в ИАД. ………………………………………………………………………………..6 Реферат № 3 ………………………………………………………………………………………………………………………………….6 Тест № 1 ………………………………………………………………………………………………………………………………………….6 ПРИЛОЖЕНИЕ 1.Лабораторная работа «Метод главных компонент и его использование в интеллектуальной обработке данных на примере решения задачи сжатия изображений». Пример выполнения …………………………………………………………………………………………………………………….8

---

Тема 1.Введение в ИАД.Реферат № 1

Тематика рефератов

• База знаний.
• Неструктурированные данные.
• Распределенное принятие решений.
• Системы поддержки принятия решений. Состав, назначение, примеры.
• Применение СППР.
• Задачи интеллектуального анализа данных в системах поддержки принятия решений.

Тема 2. Дополнительные сведения из курса высшей математики.

Контрольная работа № 1

Тема контрольной работы: Математические основы ИАД: алгебра матриц, экстремумы функций многих переменных.

Тема 3. Первичный анализ данных и их реализация в системе Matlab.

Лабораторная работа № 1 «Графическое представление данных в различных типах шкал, их графическое представление в МАТЛАБ»

(«Использование комплексных чисел в предварительном анализе многомерных данных») Целью работы является представление многомерных данных на комплексной плоскости в виде контура, вычисление его характеристик для последующей визуализации данных, выявления их структуры. В результате работы необходимо:

• построить для каждой многомерной точки ориентированный контур;
• вычислить его спектральные характеристики;
• определить радиус и центр вписанной окружности, наименее удаленной от вершин контура многоугольника;
• построить диаграмму рассеивания многомерных точек по значениям радиуса и отклонения центров их вписанных окружностей;
• выделить их кластерную структуру с использованием графического интерфейса системы Matlab.

Тема 4. Анализ признаков и оценка их информативности

Лабораторная работа № 2. «Сжатие данных»

(«Метод сингулярного разложения матриц и его использование в интеллектуальной обработке данных на примере решения задачи сжатия изображений») Целью работы является получение сжатого изображения в виде фотографии на основе применения сингулярного разложения матрицы яркостей пикселей. Рекомендации по выполнению лабораторной работы:

• Представить цветную фотографию студента заданного размера (800х600 пикселей) и формата в градациях серого в системе Matlab;
• Определить матрицу Х яркостей пикселей;
• Применение сингулярного разложения к целому изображению:
  • составить по матрице Х матрицу Грамма и вычислить все её собственные значения;
  • определить минимальное К собственных значений и отвечающие им собственные вектора, содержащих 70% информации;
  • построить сингулярное разложение матрицы изображения по первым К собственным значениям;
  • использовать найденное сингулярное разложение в качестве матрицы яркостей пикселей для визуализации преобразования фотографии;
  • провести оценку качества построенного изображения. Выявить и объяснить полученные артефакты;
• Применение сингулярного разложения к блокам изображения;
  • разбить исходное изображение на матрицы S_ij;
  • к каждой матрице S_ij применить сингулярное разложение;
  • составить из матриц S_ij матрицу яркостей пикселей изображения;
  • добиться наилучшего качества сжатого изображения, изменяя размер матриц S_ij, не менее 7 раз;
• Рассчитать коэффициенты сжатия и коэффициенты потерь, результаты записать в таблицу.

Тема 5. Базовые методы ИАД

Лабораторная работа № 3 «Методы классификации»

(«Методы кластерного анализа в задаче классификации регионов по уровню социально-экономического развития») Целью работы является исследование социально-экономического развития регионов методами кластерного анализа. Рекомендации по выполнению лабораторной работы:

• На сайте www.gks.ru загрузить показатели социально-экономического положения регионов Центрального Округа России в 2004 г по заданным областям (в соответствии с вариантом задания);
• Составить матрицу объект-признак, выбрав в качестве объектов регионы, а признаки – характеристики регионов. Построить линейную регрессионную модель для признака в соответствии с номером варианта, оценить статистическую значимость модели;
• Вычислить первые две главные компоненты и с помощью них представить на диаграмме рассеивания все исследуемые регионы (области);
• Подобрать по диаграмме рассеивания оптимальное количество кластеров для разбиения регионов на однородные группы по всем группировочным признакам одновременно;
• Выполнить кластеризацию, применив метод К-средних;
• Используя сравнение средних, определить кластерные профили для каждой группы;
• Провести сравнительный анализ социально-экономического положения областей, представляющих различные кластеры. Какое положение в полученной классификации занимает ваш регион?
• Оценить информативность признаков по выбранному количеству кластеров;
• Выбрать три наиболее информативных признака и для них провести кластеризацию регионов по методу К-средних;
• Сравнить результаты двух способов кластеризации;
• Провести кластеризацию всех признаков иерархическим методом с алгоритмом межгрупповых связей и отобразить результаты в виде дендрограммы;
• Проанализировать развитие регионов в полученных кластерах признаков.

Тема 6. Применение ИАД в задачах СППР

Лабораторная работа № 4. «Метод анализа иерархий»

Целью работы является практическое применение модифицированного метода анализа иерархий в задачах принятий решений. Последовательность выполнения работы:

1. Ознакомиться с инструкцией по работе с программным модулем «Модифицированный метод анализа иерархий».
2. Провести согласование мнений экспертов в «ручном» и «автоматическом» режимах.
3. Подготовить отчет о выполнении лабораторной работы, включив в него описание технологических процессов согласования мнений экспертов при использовании различных режимах.

Тематика докладов для форума № 1

• Сравнительный анализ методов принятия решений при многокритериальном выборе альтернатив.
• Метод анализа иерархий в системах поддержки принятия решений: особенности применения, достоинства и недостатки.
• Использование ИАД в развитии МАИ.
• Примеры практического применения МАИ в экономике.

Тема 7. Информационные технологии в ИАД.

Реферат № 2

Тематика рефератов

• Инструментальные средства ИАД применительно к задачам СППР.
• Направления развития информационных технологий ИАД.
• Направления развития современных информационных технологий в СППР.
• Инструментальные средства сбора и доработки данных.
• Инструментальные средства преобразования данных.
• Инструментальные средства оперативного (OLAP) анализа.

Тема 8. Нейросетевые технологии в ИАД.

Реферат № 3

Тематика рефератов

1. История нейрокомпьютинга.
2. Задачи ИАД на основе искусственных нейронных сетей.
3. Биологическая и математическая модели нейрона.
4. Однослойные и многослойные нейронные сети.
5. Структура искусственной нейронные сети.
6. Особенности структуры нейронных сетей и ее влияние на свойства сети.
7. Решение задач с помощью многослойного персептрона.
8. Топологии нейронных сетей.

Тест № 1

Тест № 1. Биологические основы и структура нейронной сети Вопрос 1 Как называется контакт в центральной нервной системе?

• Аксон
• Синапс
• Нейрон

  Вопрос 2 Продолжите фразу «Аксон обеспечивает… «:

• проведение импульса и передачу воздействия на другие нейроны.
• возбуждение от клетки к клетке.
• проведение нервных импульсов.

  Вопрос 3 Дополните утверждение: «Это основная единица информации, передаваемая по волокну, поэтому модель генерации и распространения   …   — одна из важнейших в теории НС.»

• Нервный импульс
• Пульсации
• Скачек потенциала

Вопрос 4 Продолжите утверждение: «Синапсические веса должны быть…»

• целыми числами, принимающими как положительные, так и отрицательные значения.
• натуральными числами, принимающими только положительные значения.
• целыми числами, принимающими только положительные значения.
• натуральными числами, принимающими как положительные, так и отрицательные значения.

Вопрос 5 Кто разработал первый нейрокомпьютер?

• У. Маккалок
• М. Минский
• Ф. Розенблатт
• Нет правильного ответа

Вопрос 6 Кто является автором книги «Персепторны»?

• У. Маккалок и В. Питт
• М. Минский и С. Паперт
• Ф. Розенблатт

Вопрос 7 По архитектуре связей искусственные нейронные сети могут быть сгруппированы в два класса:

• персептроны и соревновательные сети.
• сети прямого распространения и рекуррентные сети.
• сети радиальных базисных функций и сети прямого распространения.

Вопрос 8 Простейшим устройством распознавания образов, принадлежащим к искусственным нейронным сетям, является?

• Одиночный нейрон
• Синаптичекий вес
• Аксон

Вопрос 9 Сопоставьте функции активации с их названиями Вопрос 10 Сопоставьте функции активации с их названиями Вопрос 11 Сопоставьте функции активации с их названиями Вопрос 12 В нейронную сеть поступают стимулы из внешней среды. В результате этого изменяются свободные параметры нейронной сети. После изменения внутренней структуры нейронная сеть отвечает на возбуждение уже иным образом. Вышеуказанный список четких правил называется:

• Алгоритмом обучения
• Подстройка параметров обучения
• Парадигмой обучения

Вопрос 13 Выстроите правильную последовательность общей схемы обучения персептрона а) Инициализировать веса и параметры функции активации в малые ненулевые значения; б) Изменить веса и параметры функции активации так, чтобы ошибка Es уменьшилась. в) Подать на вход один образ и рассчитать выход; г) Посчитать ошибку Es, сравнив ds и ys. д) Повторить шаг Х, до тех пор, пока ошибка не перестанет убывать или не станет достаточно малой.

1. а, б, в, г, д.
2. а, в, г, б, д.
3. а, в, г, д, б.
4. б, в, г, д, а.

Вопрос 14 Какие задачи не решают нейронные сети?

1. классификация
2. аппроксимация
3. кластеризация
4. маршрутизация
5. прогнозирование
6. кодирование

Вопрос 15 Какую функцию не может решить однослойная нейронная сеть?

1. логическое «не»
2. суммирование
3. логическое «исключающее или»
4. произведение
5. логическое «или»

Вопрос 16 Какую нейронную сеть обучают с помощью дельта-правила?

1. однослойную нейронную сеть
2. нейронную сеть прямого распространения
3. нейронную сеть с обратными связями
4. сеть Хопфилда
5. нет правильного ответа

Вопрос 17 Какую нейронную сеть обучают с алгоритма обратного распространения ошибки?

1. однослойную нейронная сеть
2. многослойную нейронную сеть прямого распространения
3. многослойную нейронную сеть с обратными связями
4. нет правильного ответа

  Вопрос 18 Какие из перечисленных типов сетей являются рекуррентными?

1. персептрон
2. сеть Хопфилда
3. сеть радиальных базисных функций
4. нет правильного ответа