- •1. Порядок виконання практичної роботи
- •2. Задання до практичної роботи
- •3. Контрольні запитання та завдання
- •Варіанти завдань: формалізація та параметризація нечітких множин
- •Варіанти завдань: нечітка кластеризація даних
- •1) Нормализацію даних:
- •3) Перевірку результатів кластеризації:
- •4) Візуалізацію отриманих результатів.
- •1. Порядок виконання практичної роботи:
- •5. Відповісти на контрольні запитання.
- •2. Завдання до практичної роботи
- •3. Зміст звіту по практичній роботі
- •4. Контрольні запитання
- •1. Порядок виконання практичної роботи:
- •5. Відповісти на контрольні запитання.
- •2. Завдання до практичної роботи
- •3. Зміст звіту по практичній роботі
- •4. Контрольні запитання
- •Варіанти завдань: кластеризація даних
- •Тема 4. Нечіткі моделі (системи нечіткого виведення) Комп’ютерний практикум 6-7. Розв’язання задачі апроксимації функції на основі нечіткої моделі Мамдані (пр№3.1)
- •1. Порядок виконання практичної роботи:
- •2. Послідовно виконати всі завдання до практичної роботи.
- •5. Відповісти на контрольні запитання.
- •3. Зміст звіту по практичній роботі
- •4. Контрольні запитання
- •Варіанти завдань: функції, які апроксимують
- •Комп’ютерний практикум 8. Розв’язання задачі апроксимації функції на основі нечіткої моделі Мамдані та функцій користувача (пр№3.2)
- •1. Порядок виконання практичної роботи
- •1. Вивчити теоретичне введення.
- •5. Відповісти на контрольні запитання.
- •2. Завдання до практичної роботи
- •3. Зміст звіту з практичної роботи
- •4.Контрольні запитання
- •Варіанти завдань: функції, які апроксимують Комп’ютерний практикум 8. Дослідження ефективності методів виведення a-fati, b-fita (пр№4)
- •1. Порядок виконання практичної роботи
- •1. Вивчити теоретичне введення.
- •5. Відповісти на контрольні запитання.
- •2. Завдання до практичної роботи
- •3. Зміст звіту з практичної роботи
- •4.Контрольні запитання
- •Варіанти завдань: функції, які апроксимують Комп’ютерний практикум 10. Класифікація на основі нечіткої моделі Сугено (пр№5)
- •1. Порядок виконання практичної роботи
- •2. Послідовно виконати всі завдання до практичної роботи.
- •5. Відповісти на контрольні запитання
- •2.Завдання до практичної роботи
- •3. Зміст звіту з практичної роботи
- •4.Контрольні запитання
- •Варіанти завдань
- •Тема 5. Прийняття рішень при нечіткому відношенні переваги на множині альтернатив Комп’ютерний практикум 11. Прийняття рішень при нечіткому відношенні переваги на множині альтернатив (пр№6)
- •2.Заданія до практичної роботи
- •3. Зміст звіту з практичної роботи
- •4.Контрольні запитання
- •Варіанти індивідуальних завдань
- •Додаток а. База даних діабет
1. Порядок виконання практичної роботи:
1. Вивчити теоретичні відомості.
2. Послідовно виконати всі завдання до лабораторної роботи.
3. Перевірити правильність виконання завдань не менше, ніж на п'яти прикладах.
4. Оформити звіт з практичної роботи.
5. Відповісти на контрольні запитання.
2. Завдання до практичної роботи
2.1. Використовуючи підготовлені дані, зафіксовані у файлах, написати програму (m-файл), що реалізує один із алгоритмів нечіткої кластеризації даних. Продемонструвати та пояснити роботу програми на прикладах.
2.2. Побудувати графіки, що інтерпретують одержаний результат.
3. Зміст звіту по практичній роботі
1. Назва та мета роботи.
2. Завдання.
3. Приклади розв’язків.
4. Контрольні запитання
1. Назвіть основні етапи алгоритмів нечіткої кластеризації даних: FCM, Густафсона-Кесселя, Геф-Гева.
Варіанти завдань: нечітка кластеризація даних
№1. Kmeans – метод чіткої кластеризації зі стандартною нормою відстані Евкліда; Kmedoid – метод чіткої кластеризації з нормою відстані Евкліда і вибраними центрами з даних;
№ 2,5,8,11,14. FCMclust – метод нечіткої С-means кластеризації зі стандартною нормою відстані Евкліда;
№ 3,6,9,12,15. GKclust – метод нечіткої кластеризації Густафсона-Кесселя з квадратом норми відстані Махаланобиса;
№ 4,7,10,13,16. GGclust – метод нечіткої кластеризації Геф-Гева з нормою відстані на основі нечіткої оцінки максимальної правдоподібності.
В кожному алгоритмі виконати:
1) Нормализацію даних:
clustnormalize – нормалізація даних на основі двох можливих способів;
clustdenormalize – метод денормалізації даних;
2) оцінку результатів кластеризації: clusteval розраховує значення належності нечітких алгоритмів кластеризації для "невидимих" даних;
3) Перевірку результатів кластеризації:
validity – перевірка міри розрахунку різних видів індексів точності.
4) Візуалізацію отриманих результатів.
PCA – метод анализа главных компонент данных размерности n
Sammon – карта для визуализации Сэммона
FuzSam – модифицированная карта Сэммона для визуализации данных размерности n.
Комп’ютерний практикум 5. Нечітка кластеризація даних на основі нечіткого відношення еквівалентності (ПР№2.2)
Мета роботи – ознайомитися з алгоритмом нечіткої кластеризації даних з використанням нечіткого відношення еквівалентності. Порівняння його ефективності з статистичними методами.
1. Порядок виконання практичної роботи:
1. Вивчити теоретичні відомості.
2. Послідовно виконати всі завдання роботи.
3. Перевірити правильність виконання завдань не менше, ніж на п'яти прикладах.
4. Оформити звіт роботи.
5. Відповісти на контрольні запитання.
2. Завдання до практичної роботи
1. Використовуючи задані дані, реалізувати програму нечіткої кластеризації даних на основі нечіткого відношення еквівалентності у вигляді m-файлу (дані зафіксовані у файлах).
Продемонструвати та пояснити роботу програми на прикладах.
2. Побудувати графіки, що інтерпретують одержаний результат.
3. Зміст звіту по практичній роботі
1. Назва та мета роботи.
2. Завдання.
3. Приклади розв’язків.
4. Контрольні запитання
1. Назвіть основні етапи алгоритму нечіткої кластеризації даних на основі нечіткого відношення еквівалентності.