Державна податкова служба україни національний університет державної податкової служби україни

Розглянуто і схвалено

на засіданні кафедри систем і методів прийняття рішень

протокол № __ від "__" 2013р.

Завідувач кафедри ____________________С.П. Ріппа

Освітньо –кваліфікаційний рівень бакалавр

Галузь знань: 0501 "Інформатика та обчислювальна техніка"

Напрям підготовки: 6.050101 "Комп'ютерні науки"

Документація для проведення модульної контрольної роботи №2 з навчальної дисципліни «Інтелектуальний аналіз даних»

ІРПІНЬ – 2013

Контрольні завдання з навчальної дисципліни “Інтелектуальний аналіз даних”, розроблені на основі навчальної програми курсу, затвердженої у 2011 році.

Кількість завдань – 6. Кількість білетів - 30.

Укладач Бондаренко Л.М., к.ф.-м. н., доцент

ПОЯСНЮВАЛЬНА ЗАПИСКА

Пакет контрольних завдань для проведення модульної контрольної роботи №2 включає в себе :

6 питань для контролю основних знань та для перевірки практичних навичок.

Максимальна оцінка за контрольну роботу - 3 бали

Вимоги до виконання завдань

Відповіді на завдання мають повно та обґрунтовано розкривати поставлену проблему, супроводжуватися прикладами.

Критерії оцінки знань

Критерії оцінки контролю знань студентів базуються на навчальній програмі, робочому плані та найбільш важливих вимогах до знань студентів:

1. знання фактів, явищ і вірне, науководостовірне їх пояснення;

2. оволодіння науковими термінами, поняттями, законами, методами, правилами; вміння користуватися ними при вирішенні різних питань і виконанні практичних завдань;

3. максимальна ясність, точність думки;

4. знання повинні мати практичну значимість; студенти повинні вміти безпосередньо застосувати їх на комп’ютері.

Відповіді на теоретичні питання повинні бути повними, логічними, доведеними. Практичні завдання студентів повинні бути виконані з точним дотриманням вказівок викладача.

На оцінку «відмінно» відповідь студента повинна відповідати пунктам 1 - 4, на «добре» – 1, 2, 4, на «задовільно» 1, 4.

Перелік питань з курсу

1. DM. Асоціаційні правила.

2. DM.Аффінітивний аналіз.

3. DM.Значимість асоціаційних правил.

4. DM.Метод Ahriori.

5. DM.Frequent itemset та їх виявлення.

6. DM.Генерація асоціаційних правил.

7. DM.Ієрархічні асоціаційні правила.

8. DM.Методи пошуку ієрархічних асоціаційних правил.

9. DM.Послідовне відображення шаблонів даних.

10. DM.Послідовні шаблони.

11. DM.Задача пошуку послідовних шаблонів.

12. DM.Пошук послідовних шаблонів.

13. DM.Алгоритм AhrioriAll.

14. Data Mining. Кластерізація. Мета кластерізації.

15. DM.Приклади використання кластерізації.

16. DM.Partitioning clustering.

17. DM.Метрики задач кластерізації.

18. DM.Алгоритм кластерізації k-means.

19. DM.Міри відстаней.

20. DM.Алгоритм кластерізації G-means.

21. DM.Мережі Кохонена.

22. DM.Навчання мережі Кохонена.

23. DM.Алгоритм Кохонена.

24. DM.Карти Кохонена.

25. DM.Побудова карти Кохонена.

26. DM.Вибір числа нейронів карти Кохонена.

27. DM.Недоліки карти Кохонена.

28. DM.Алгоритми кластерізації. Проблеми.

29. DM.Вибір критерію якості кластерізації.

30. DM.Машинні ресурси алгоритмів кластерізації.

31. DM.Вибір числа кластерів.

32. DM. Використання класифікації та регресії.

33. DM. Методи класифікації та регресії.

34. DM.Лінійна та логістична регресії.

35. DM. Байєсовська класифікація.

36. DM. Дерева рішень.

37. DM. Метод найближчих сусідів.

38. DM. Проста лінійна регресія.

39. DM. Оцінка відповідності простої лінійної регресії реальним даним.

40. DM. Стандартна помилка оцінювання.

41. DM. Кількісна характеристика поведінки вихідної змінної.

42. DM. Коефіцієнт детермінації.

43. DM. Коефіцієнт кореляції.

44. DM. Проста регресійна модель.

45. DM. Гіпотези в регресії.

46. DM. Модель простої лінійної регресії

47. DM. Оцінка значимості регресійної моделі.

48. DM. t-критерій оцінки значимості регресійної моделі.

49. DM. F-критерій оцінки значимості регресійної моделі.

50. DM. Множинна лінійна регресія.

51. DM. Множинний коефіцієнт детермінації.

52. DM. Модель множинної лінійної регресії.

53. DM. Оцінка значимості множинної регресійної моделі.

54. DM. F-тест для оцінки значимості повної регресійної моделі.

55. DM. Регресія з категоріальними вхідними змінними.

56. DM. Методи відбору змінних в регресійній моделі.

57. DM. F-критерій.

58. DM. Метод прямого відбору.

59. DM. Метод зворотнього виключення.

60. DM. Метод послідовного відбору.

61. DM. Пошук кращих підмножин.

62. DM. Метод перебору всіх можливих наборів.

63. DM. Використання алгоритму прямого відбору.

64. DM. Обмеження застосування регресійних моделей.

65. DM. Гетероскедастичність.

66. DM. Мультиколінеарність.

67. DM. Логістична регресія.

68. DM. Побудова лінії логістичої регресії.

69. DM. Оцінки максимальної правдоподібності.

70. DM. Значимість вхідних змінних.

71. DM. Використання логістичної регресії.

72. DM. Шанс та відношення шансів в інтерпретації моделі логістичної регресії.

73. DM. Інтерпретація моделі логістичної регресії для дихотомічної змінної.

74. DM. Інтерпретація моделі логістичної регресії для поліхотомічної вхідної змінної.

75. DM. Інтерпретація логістичної моделі для неперервної змінної.

76. DM. Множинна логістична регресія.

77. DM. Простий байєсовський класифікатор.

78. DM. Формула Байєса.

79. DM. Дерева рішень.

80. DM. Структура дерева рішень.

81. DM. Вибір атрибута розбиття у вузлі.

82. DM. Принцип «разделяй и властвуй».

83. DM. Алгоритми побудови дерева рішень.

84. DM. Повне дерево рішень.

85. DM. Міри ефективності дерев рішень.

86. DM. Критерій вибору найкращих атрибутів галуження.

87. DM. Індекс Джині.

88. DM. Зменшення ентропії (приріст інформації).

89. DM. Відношення приросту інформації.

90. DM. Тест хі-квадрат.

91. DM. Зменшення дисперсії.

92. DM. F-критерій Фішера.

93. DM. ID3/C4.5.

94. DM. Проблема перенавчання.

95. DM. Невідомі значення атрибутів.

96. DM. Алгоритм CART/

97. DM. Регресійне дерево рішень.

98. DM.Спрощення дерев рішень.

99. DM. Перенавчання та складність моделей.

100. DM. Критерії оптимізації дерев рішень.

101. DM. Утинання галузок.

102. DM. Структура та принцип роботи нейронних мереж.

103. DM. Взаємодія нейронних мереж з іншими методами DM.

104. DM. Біологічний нейрон.

105. DM.Штучний нейрон.

106. DM. Активаційна функція нейрона.

107. DM.Сигмоїдальний нейрон.

108. DM. Обрахування виходу нейрона.

109. DM. Основні групи нейронів у мережі.

110. DM. Архітектури нейронних мереж.

111. DM. Принципи функціонування багатошарового персептрону.

112. DM. Вибір числа нейронів у багатошаровому персептроні.

113. DM. Процес навчання нейронної мережі.

114. DM. Роль вихідної помилки мережі в процесі навчання.

115. DM. Вибір порогу помилки.

116. DM. Режими навчання.

117. DM. Навчаюча вибірка.

118. DM. Особливості формування навчаючої вибірки.

119. DM. Вибір кількості ознак.

120. DM. Розмір навчаючої вибірки.

121. DM. Навчання нейронних мереж як задача оптимізації.

122. DM. Огляд алгоритмів навчання нейронних мереж

123. DM. Градієнтні методи.

124. DM. Методи глобальної оптимізації.

125. DM. Метод градієнтного спуску.

126. DM. Коефіцієнт швидкості навчання.

127. DM. Алгоритм оберненого розповсюдження помилки.

128. DM. Підвищення ефективності алгоритму оберненого розповсюдження помилки.

129. Методи прогнозування.

130. Часовий ряд та його компоненти.

131. Мета та задачі аналізу часових рядів.

132. Детермінована та випадкова складові часового ряду.

133. Моделі часових рядів.

134. Компоненти часового ряду.

135. Тренд.

136. Сезонна компонента.

137. Циклічна компонента.

138. Дослідження часових рядів та автокореляція.

139. Узагальнена модель прогнозу.

140. «Наївна» модель прогнозування.

141. Екстраполяція.

142. Прогнозування методом середнього та змінного середнього.

143. Регресійні моделі.

144. Метод декомпозиції часового ряду.

145. Ансамблі моделей.

146. Комбінування розв’язків.

147. Види ансамблів.

148. Бегінг. Основна ідея.

149. Збурення та комбінування.

150. Бустінг.

151. Генерація класифікаторів.

152. Недоліки бустінгу.

153. Адитивна регресія.

154. Адитивна логістична регресія.

155. Дерева вибору.

156. Стекінг та метанавчання.

157. Оцінка ефективності та порівняння моделей.

158. Оцінка помилки моделі.

159. Навчання та тестування моделі.

160. Перехресна перевірка.

161. Бутстреп-оцінки.

162. Витрати помилкової класифікації.

163. Класифікація з урахуванням витрат.

164. Lift-криві та діаграми.

165. Gain-діаграми.

166. Profit-криві.

167. ROC-аналіз.

168. ROC-криві.

169. Діаграма «точність-повнота».

170. Навчання в умовах незбалансованості класів.

171. Зміна репрезентативності класів.

172. Модифікація алгоритмів навчання.

173. Deductor Warehouse.

174. Типи об’єктів Deductor Warehouse.

175. Проектування сховища в Deductor.

176. Створення сховища в Deductor.

177. Наповнення сховища даних в Deductor.

178. Зрізи із сховища даних в Deductor.

179. OLAP-куби в Deductor.

180. ABC-XYZ-аналіз в Deductor.

181. Алгоритм ABC-аналізу в Deductor.

182. Алгоритм XYZ-аналізу в Deductor.

183. Налагодження звітів в Deductor.

184. Розв’язок задач асоціацій в Deductor Studio.

185. Класифікація множини асоціативних правил.

186. Реалізація мережі та карти Кохонена в Deductor.

187. Скорингова модель в Deductor.

188. Прогнозування продаж в Deductor.

189. Задача бінарної класифікації в Deductor (масового розсилання).

ДЕРЖАВНА ПОДАТКОВА СЛУЖБА УКРАЇНИ