Всего на сайте:
236 тыс. 713 статей

Главная | Информатика

Інтелектуальні системи і методи аналізу консолідованої інформації  Просмотрен 184

МЕТОДИЧНІ РЕКОМЕНДАЦІЇ ДО НАПИСАННЯ КУРСОВОЇ РОБОТИ

Інтелектуальні системи і методи аналізу консолідованої інформації

для студентів Першого курсу  
підготовки другого (магістерського) рівня
галузі знань 12 Інформаційні технології  
спеціальності 122 Комп’ютерні науки
освітньо-професійної програми Консолідована інформація
факультету Кібернетики та системної інженерії  
 

Херсон – 2018р.

 

 

Методичні рекомендації до виконання курсової роботи з дисципліни Інтелектуальні системи і методи аналізу консолідованої інформації підготовки фахівців на другому (магістерському) рівні вищої освіти спеціальності: 122 Комп’ютерні науки

 

РОЗРОБНИКИ: Литвиненко В.І. д.т.н., проф., Корніловська Н. В. к.т.н., доц.

Рецензент: Вишемирська С.В. к.т.н., доц.

Затверджено на засіданні кафедри І та КН

Протокол № 6 від 05.02.2018 р.

Завідуючий кафедрою І та КН д.т.н., проф.________________В.І. Литвиненко

Відповідальний за випуск Литвиненко В.І. д.т.н., проф.

© ХНТУ, 2018р.

 

 

ВСТУП

 

Важливою складовою підготовки у вищих навчальних закладах висококваліфікованих фахівців є науково-дослідна робота студентів, яка включає в себе засвоєння методики організації науково-дослідної роботи та роботу над науковим дослідженням під керівництвом професорів та викладачів.

Одним з напрямків науково-дослідної роботи, що здійснюється в межах навчально-виховного процесу, є написання та підготовка курсових та дипломних робіт (спеціаліста, магістра), які є основними кваліфікаційними науковими роботами, що виконуються студентами індивідуально в процесі їх навчання в вищому навчальному закладі.

Курсова робота передбачає систематизацію, закріплення та розширення теоретичних знань, ознайомлення з методами, напрацьованими іншими дослідниками у відповідній галузі дисципліни Інтелектуальні системи і методи аналізу консолідованої інформації фахівців на другому магістерському рівні вищої освіти спеціальності: 122 Комп’ютерні науки науки, обґрунтуванні результатів власного дослідження.

Завдання, представлені нижче, ставлять за мету закріплення навичок та повторення матеріалу викладеного в 10 семестрі. Тобто після вивчення дисципліни Інтелектуальний аналіз даних і знань вільно володіти матеріалом наступних тем:

· Відкриття знань та інтелектуальний аналіз даних: розуміння предметної області, навчання предметно-орієнтованих термінології (опис проблеми, в тому числі її обмежень), визначення цілей проекту інтелектуального аналізу даних, вибір інструментів для інтелектуального аналізу даних, розуміння даних, підготовка даних, видобуток даних, оцінка виявлених знань, використання виявлених знань. Постановка задачі інтелектуального аналізу даних. Підготовка даних. Перегляд даних. Побудова моделей. Дослідження і перевірка моделей Розгортання та оновлення моделей. Класифікація задач інтелектуального аналізу даних і знань. Задача класифікації та регресії. Задача пошуку асоціативних правил. Задача кластеризації.

· Класифікація інструментальних засобів Data Mining. Комерційні та некомерційні засоби інтелектуального аналізу даних. Загальна характеристика ринку інструментальних засобів засобів Data Mining. Інструменти Data Mining SAS Enterprise Miner. Інструментальні засоби Oracle Data Mining та Deductor. Інструментальні засоби Data Mining PolyAnalyst. Інструментальний пакет Self-organizing Data Mining та його застосування. Інструменти систем інтелектуального аналізу даних WEKA. Інструментальні засоби KNIME. Інструментальні засоби систем інтелектуального аналізу даних RapidMiner. Інструментальний пакет TANAGRA та його застосування.

· Постанова задачі класифікації. Подання результатів: правила класифікації, дерева рішень, математичні функції. Методи побудови правил класифікації: Алгоритм побудови 1-правил, метод Naïve Bayes. Дерева рішень. Методи побудови дерев рішень: методика «розділяй і володарюй», алгоритм покриття. Методи побудови математичних функцій: лінійні методи, метод найменших квадратів, метод опорних векторів, регуляційні мережі.

· Постанова задачі кластеризації: формальна постанова задачі; міри близькості, засновані на відстанях, які використовуються в алгоритмах кластеризації. Подання результатів кластеризації. Базові алгоритми кластеризації: класифікація алгоритмів, ієрархічні алгоритми, неієрархічні алгоритми. Адаптивні алгоритми кластеризації: вибір найкращого рішення і якість кластеризації; використання формальних критеріїв якості в адаптивній кластеризації. Приклади адаптивної кластеризації. Постановка задачі пошуку асоціативних правил: формальна постановка задачі, секвенцій ний аналіз, різновидності задач пошуку асоціативних правил. Подання результатів. Алгоритми: алгоритм Apriory, різновиди алгоритму Apriory.

· Задача вилучення ключових понять із тексту: опис загального процесу вилучення концептів з тексту, стадія локального аналізу, стадія інтеграції та вилучення понять Поняття класифікації документів. Опис задачі класифікації текстів. Методи та підходи до класифікації текстових документів. Алгоритми класифікації. тексту: метод ближнього сусіда (Nearest Neighbor Classifier), метод максимальної ентропії (Maximum Entropy) метод Роччі, дерева рішень. Визначення якості контенту. Методи подання текстових документів. Ієрархічні методи кластеризації текстів. Бінарні методи кластеризації текстів. Критерії оцінки досліджуваних методівТехнологія Custom Search Folders. LSA / LSI - як метод виявлення латентних свіязків. Метод Suffix Tree Clustering. Алгоритм кластеризації даних - Single Link, Complete Link, Group Average. Метод K-means. Метод Concept Indexing

· Технологія анотування текстів: аналіз вихідного тексту, визначення його характерних фрагментів, формування відповідного висновку. Методи вилучення фрагментів для анотації: карти текстових повідомлень. Семантичне анотування текстів. Етапи процесу семантичного анотування: виділення необхідних текстових об'єктів з урахуванням обраного рівня семантичного анотування; формування вектора ознак для кожного об'єкта; побудова класифікатора на основі онтології і отриманого набору даних; виділення метаданих з використанням класифікатора; перетворення метаданих кожного документа у формат RDF. Засоби Oracle-Text, засоби Intelligent Miner for Text, засоби Мегапьютер Інтелідженс TextAnalyst. Засоби KNIME, R, RapidMiner, WEKA.

 

 

 

МЕТОДИЧНІ РЕКОМЕНДАЦІЇ ДО НАПИСАННЯ КУРСОВОЇ РОБОТИ

 

Предыдущая статья:Приложение 3. Книжка выпускника Следующая статья:Поняття і мета курсової роботи
page speed (0.0122 sec, direct)