35. Користуючись бібліотечними та Інтернет-джерелами, написати доповідь (1 стор.) на одну з тем (на вибір студента):

Загальна характеристика систем дейтамайнінгу.

Оцінка та стратегія вибору програмної системи дейтамайнінгу.

Data mining-консалтинг.

Уніфікація та стандартизація в сфері ІАД.

Стандарт опису процесів CRISP-DM.

Стандартизація обміну моделей та алгоритмів з використанням PMML.

Стандартизація взаємодії інтерфейсів для об'єктних мов програмування (CWM, JDM).

Стандартизація взаємодії зі сховищами даних на базі SQL (Microsoft OLE DB for Data Mining, SQL/MM, DMQL, MSQL, MINE RULE).

36. Користуючись бібліотечними та Інтернет-джерелами, написати доповідь (1 стор.) на одну з тем (на вибір студента):

Класи методів: «збереження даних» (Data retention) та «виділення шаблонів» (data distillation).

Аналіз переваг та недоліків груп методів дейтамайнінгу.

Ідея, поточний стан та перспективи гібридизації методів ІАД.

Ідея та механізм кластерного аналізу, вимоги до кластеризації, міри та матриця схожості як основні прийоми кластеризації.

Таксономія алгоритмів кластерного аналізу.

Ієрархічна кластеризація (агломеративні та дивізивні алгоритми).

Неієрархічна класифікація (однопрохідні методи та методи перерозподілу).

Методика «найближчого сусіда», області використання методу «найближчого сусіда».

Суть методу міркування за прецедентами, процес міркування за прецедентами, переваги та недоліки методу міркування за прецедентами.

37. Користуючись бібліотечними та Інтернет-джерелами, написати доповідь (1 стор.) на одну з тем (на вибір студента):

Визначення штучних нейронних мереж та їх історія.

Основні задачі, які вирішують штучні нейромережі: класифікація образів, кластеризація, асоціація образів, рекурентні мережі, нейромережі на базі статистичного підходу. прогнозування.

Біологічний нейрон та нейромережа як ідейна основа штучної нейронної мережі. Структура та властивості штучного нейрону.

Класифікація нейромереж та їх властивості.

Архітектура нейромереж: елементарний персептрон Розенблатта, багатошаровий персептрон, нейромережі Хопфілда, нейромережі Хеммінга, порогово-поліноміальні нейромережі тощо.

Основи побудови алгоритмів навчання нейромереж.

Навчання нейромережі: концепція, навчання з „вчителем” та без, посилене навчання.

Попередня обробка даних для нейромережі. Налагодження нейромережі: алгоритми скорочення та конструктивні алгоритми.

Практичні питання навчання нейромереж.

Особливості використання нейромереж в ІАД.

Зв’язок штучних нейромереж з штучним інтелектом, символьні зв’язки штучних нейромереж.

Архітектура та типи нейроконтролерів. Процес навчання нейроконтроллерів.

38. Користуючись бібліотечними та Інтернет-джерелами, написати доповідь (1 стор.) на одну з тем (на вибір студента):

Природній відбір - як ідейна основа генетичних алгоритмів. Визначення генетичного алгоритму та його структура. Історія генетичних алгоритмів. Поняття про: хромосому та її якість, популяцію, покоління, репродукцію.

Основні характеристики генетичного алгоритму: розмір популяції, оператор схрещування та його ймовірність, оператор селекції та стратегія елітизму, оператор мутації та її ймовірність, кросовер (інверсія), правило зупинки роботи генетичного алгоритму. Кодування в генетичних алгоритмах.

Методи підвищення ефективності генетичних алгоритмів. Особливості генетичних алгоритмів – як спосіб вирішення задач оптимізації, переваги та недоліки.

Приклади вдалого використання генетичних алгоритмів: пошук максимуму одновимірної функції, вирішення задачі комівояжера, навчання нейромережі.

Методи групового обліку аргументів: історія, варіанти МГУА, комбінаторні варіанти МГУА, прикладне програмне забезпечення МГУА.

Парадигма еволюційного програмування: історія та перспективи. Спільні схеми локального та генетичного пошуку (модифіковані генетичні оператори, архітектури і стратегії генетичного пошуку).