Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Практические аспекты разработки веб-ресурсов. Учебное пособие

.pdf

Скачиваний:

Добавлен:

08.09.2026

Размер:

2 Мб

Скачать

☆

<<< < Предыдущая 1 2 3 4 5 6 7 8 910 / 1310 11 12 13 > Следующая >>>

Событие

Когда происходит

Обработчик события

DragDrop

пользователь перетаскивает мышью объект

onDragDrop

Error

возникновение javascript-ошибки

onError

Focus

окно или элемент формы получает фокус

onFocus

KeyDown

пользователь нажимает клавишу клавиатуры

onKeyDown

KeyPress

пользователь удерживает нажатой клавишу клавиатуры

onKeyPress KeyUp

пользователь отпускает клавишу клавиатуры

onKeyUp

Load

документ загружается в браузер

onLoad

MouseDown

пользователь нажимает кнопку мыши

onMouseDown

MouseOut

указатель мыши выходит за пределы элемента

onMouseOut MouseOver

указатель мыши помещается над элементом

onMouseOver

MouseUp

пользователь отпускает кнопку мыши

onMouseUp

Move

пользователь перемещает окно

onMove

Reset

пользователь нажимает кнопку «reset» формы

onReset

Resize

пользователь изменяет размеры окна или элемента

onResize Select

пользователь выбирает элемент формы

onSelect

Submit

пользователь нажимает кнопку «submit» формы

onSubmit Unload

пользователь закрывает документ

onUnload

Объект Дата (Date)

Создаёт экземпляр объекта Date, представляющего собой момент времени. Объекты даты Date основываются на значении количества миллисекунд, прошедших с 1 января 1970 года в часовом поясе UTC. Используется для работы с датой и временем.

Синтаксис вызова данного объекта следующий:

new Date();

new Date(value);

new Date(dateString);

new Date(year, month[, day[, hour[, minute[, second[, millisecond]]]]]);

Параметры Date:

 value — целое значение, представляющее количество миллисекунд, прошедших с 1 января 1970 00:00:00 по UTC (эпохи Unix);

 dateString — строковое значение, представляющее дату. Строка должна быть в одном из форматов, распознаваемых методом Date.parse() (совместимые с IETF RFC 2822 временные метки, а также версия ISO8601);

 year — целое значение, представляющее год. Значения с 0 по 99 отоб- ражаются на года с 1900 по 1999;

 month — целое значение, представляющее месяц, начинается с 0 для января и кончается 11 для декабря;

 day — необязательный параметр. Целое значение, представляющее день месяца;

 hour — необязательный параметр. Целое значение, представляющее ча- сы дня;

 minute — необязательный параметр. Целое значение, представляющее минуты времени;

 second — необязательный параметр. Целое значение, представляющее секунды времени;

 millisecond — необязательный параметр. Целое значение, представля- ющее миллисекунды времени.

Например:

var d=new date();

alert (“Сегодня: ”+d);

Для объекта Date определены методы, вот некоторые из них:

 Date.now() — Возвращает числовое значение, соответствующее текущему времени — количество миллисекунд, прошедших с 1 января 1970 года 00:00:00 по UTC;

 Date.parse() — Разбирает строковое представление даты и возвращает количество миллисекунд с 1 января 1970 года 00:00:00 по местному времени;

 Все экземпляры объекта Date наследуются от Date.prototype. Объект прототипа конструктора Date может быть изменён, чтобы затронуть все экземпляры объекта Date;

 Date.prototype.getDate() — Возвращает день месяца (1-31) указанной даты по местному времени;

 Date.prototype.getDay() — Возвращает день недели (0-6) указанной да- ты по местному времени;

 Date.prototype.getFullYear() -Возвращает год (4 цифры для 4-х значного года) указанной даты по местному времени;

 Date.prototype.getHours() — Возвращает часы (0-23) указанной даты по местному времени;

 Date.prototype.getMilliseconds() — Возвращает миллисекунды (0-999) указанной даты по местному времени;

 Date.prototype.getMinutes() — Возвращает минуты (0-59) указанной да- ты по местному времени;

 Date.prototype.getMonth() — Возвращает месяц (0-11) указанной даты по местному времени;

 Date.prototype.getSeconds() — Возвращает секунды (0-59) указанной да- ты по местному времени;

 Date.prototype.getTime() — Возвращает числовое значение указанной даты как количество миллисекунд, прошедших с 1 января 1970 года 00:00:00 по UTC (отрицательное значение для даты до этого момента);

 Date.prototype.getTimezoneOffset() — Возвращает смещение часового пояса в минутах для текущей локали;

 Date.prototype.setDate() — Устанавливает день месяца указанной даты по местному времени;

 Date.prototype.setFullYear() — Устанавливает полный год (4 цифры для 4-х значного года) указанной даты по местному времени;

 Date.prototype.setMonth() — Устанавливает месяц указанной даты по местному времени;

 Date.prototype.toDateString() — Возвращает часть, содержащую только дату объекта Date в качестве человеко-читаемой строки;

 Date.prototype.toISOString() — Преобразует дату в строку, следуя рас- ширенному формату ISO 8601;

 Date.prototype.toString() — Возвращает строковое представление ука- занного объекта Date. Переопределяет метод Object.prototype.toString();

 Date.prototype.toTimeString() — Возвращает часть, содержащую только время объекта Date в качестве человеко-читаемой строки;

 Date.prototype.toUTCString() — Преобразует дату в строку, используя часовой пояс UTC.

Вопросы для самопроверки

1. Алфавит языка JavaScript.

2. Подключение скрипта к коду веб-страницы.

3. Типы данных в JavaScript.

4. Операции над данными в JavaScript: арифметические операции, логи-

ческие операции, операции отношения, побитовые операции.

5. Операторы в JavaScript: составной оператор, пустой оператор, оператор

присваивания, операторы условия, операторы циклов.

6. Инструкции переходов языка JavaScript.

7. Объектные типы данных языка JavaScript: объекты, массивы, функции.

8. JavaScript на стороне клиента. Подключение программного кода.

9. Программирование на основе событий.

3. ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ АНАЛИЗА ДАННЫХ В INTERNET

Применение Internet-технологий

в интеллектуальных информационных системах

Объектный подход, так популярный в последнее время в построении различного рода информационных систем, также нашел применение и в Internetтехнологиях. Технология Java поддерживает мобильность программного обеспечения (ПО) в глобальной сети с помощью web-браузеров со встроенной виртуальной машиной Java, а для операций с текстовыми информационными ресурсами объектные типы данных применяют в объектно-реляционных серверах

Informix, DB2, Oracle.

Благодаря активным внедрениям информационных систем с признаками интеллектуальности многие предприятия стали владельцами коллекций информационных ресурсов самой различной направленности и природы, каждая из которых управляется собственным программным обеспечением со специфическим интерфейсом.

Относительно простые возможности интеграции обеспечиваются программными приложениями. Более сложные проблемы семантического взаимодействия пока еще являются предметом изучения различных научных проектов.

Неоднородность информационных ресурсов может проявляться в самых различных моментах, например:

 в различии парадигм моделирования данных (реляционная модель, объектная модель…);

 в многообразии сред представления данных (текст, видео, аудио и т.д.);

 в различной степени структурированности задач;

 в различиях интерпретации их содержания, в различии программных

сред, которые их поддерживают.

В связи с нынешним чрезвычайно бурным развитием коммуникационных технологий одновременно получают развитие мобильные информационные системы. И принципы интеллектуальности являются важным критерием при их разработке. Уже спроектированы технические средства и программное обеспечение для их создания. Важным инструментом для разработки мобильного ПО стали технологии Java.

В проектировании информационных систем больше внимания стали уделять метаданным. Здесь исследования идут в двух направлениях — применение стандартов в представлении метаданных и обеспечение их поддержки в системе. В то время как в технологиях баз данных поддержка метаданных была изначально необходимой, в глобальной сети первого поколения метаданные не поддерживались. Исследования и практические работы по адаптации существующих и созданию новых стандартов представления метаданных для информационных систем продолжаются.

На рис. 3.1 представлены функции ряда интеллектуальных информационных систем. Рассматривая эти функции в совокупности и порознь можно выделить те направления, которые наиболее интересны с точки зрения применения в них технологий Internet.

В последние время также активно проводятся работы по семантическому текстовому поиску, создания семантического Web. Предполагается, что он будет располагать средствами логического вывода.

Особое значение приобретает поиск технологий, позволяющих ускорить усвоение новых знаний, так как знания во многих областях становятся очень динамичными и для поддержания высокой квалификации специалистам необходимо постоянно актуализировать свои знания и навыки. Это требует средств накопления новых знаний в форме, пригодной для их многократного использования. Для этой цели хорошо подходят интеллектуальные Internet-технологии так называемого «общего назначения» — свободно распространяемые словари и энциклопедии, знания, общедоступные для широкого круга людей.

Рис. 3.1. Функции ряда интеллектуальных информационных систем

Подход открытых информационных ресурсов Open Source распространился также на коллективный сбор и анализ информации, это движение получило название «Интеллект открытых источников, разведка на основе открытых источников» [1], которое состоит из большого числа проектов, в том числе wiki-технология [2]. Она позволяет пользователям принимать непосредственное участие в редактировании контента сайта и при этом не требует какой-либо регистрации, знаний HTML или любых других специальных знаний.

Технология wiki позволяет человечеству аккумулировать знания, обеспечивать навигацию по этой базе знаний и предоставлять средства для актуализации этих знаний, создавая базы знаний различных объемов и степени сложности от глобальных корпоративных до справочных систем небольших фирм, учебных заведений. Кроме того, технология wiki призывает активно работать с информацией, а не просто пассивно ее получать, что также способствует накоплению знаний.

Большое влияние на технологию wiki оказывает концептуальный проект Semantic Web, целью которого является изменение всей совокупности информационных ресурсов в глобальную, общедоступную базу знаний, а также предоставление средств управления этими знаниями. Для этого каждый ресурс должен быть семантически описан и должны предлагаться автоматизированные средства для обработки и представления знаний об этом ресурсе. При этом формируемое информационное пространство рассматривается не как пассивное предоставление информации, а как формируемое самим пользователем или интеллектуальной машиной средство создания и анализа новой информации.

В концепции Semantic Web разработаны средства описания контента документов RDF [3] и формального представления онтологий OWL [4], которые позволяют формально обрабатывать информационные ресурсы на уровне их семантики в любой предметной области.

Семантическое расширение wiki предоставляет пользователю возможности для семантической разметки информационных ресурсов, как показано на рис. 3.2.

Упомянутая разметка позволяет облегчить машинную обработку как самих ресурсов, так и запросов к ним, существенно упрощает всю структуру wiki, увеличивает скорость поиска необходимой информации пользователям и в целом улучшает качество ресурса.

Рис. 3.2. Семантическое расширение Википедии

Одним из динамично развивающимся направлением в области информационных систем по обработке данных сетевого трафика, данных от различного рода датчиков, потоков сообщений е-mail, является управление потоками данных. Для этого направления стали создаваться инструментальные средства — системы управления потоками данных. Отличие этого класса систем заключается в том, что, они имеют дело с потоком транзитных ресурсов, которые нужно обрабатывать незамедлительно, а не с базой данных или коллекцией документов, содержащейся в среде хранения информационных ресурсов системы. В связи с этим нужно применять новые технологии, в том числе интеллектуальные, для решения проблем, связанных с информационными ресурсами такой природы.

Также можно обратить фокус внимания на обратную сторону процесса — применение интеллектуальных свойств в Internet-технологиях. Практическое применение интеллектуального анализа данных возможно для персонализации посетителей web-страниц, для поиска случаев мошенничества в сфере банковских карт, выявления категорий клиентов и разработки привлекательных для них наборов услуг и цен [5].

Data Mining (DM) — это процесс обнаружения в «сырых» данных ранее неизвестных нетривиальных практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Основу методов Data Mining составляют всевозможные методы классификации, моделирования и прогнозирования, основанные на применении деревьев решений, искусственных нейронных сетей, генетических алгоритмов, эволюционного программирования, ассоциативной памяти, нечёткой логики. К методам Data Mining нередко относят статистические методы (дескриптивный анализ, корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ, компонентный анализ, дискриминантный анализ, анализ временных рядов, анализ выживаемости, анализ связей). Такие методы, однако, предполагают некоторые априорные представления об анализируемых данных, что несколько расходится с целями Data Mining [2].

Одно из важнейших назначений методов Data Mining состоит в наглядном представлении результатов вычислений (визуализация), что позволяет использовать инструментарий Data Mining людьми, не имеющими специальной математической подготовки. В то же время, применение статистических методов анализа данных требует хорошего владения теорией вероятностей и математической статистикой.

Первоначально задача ставится следующим образом:

 имеется достаточно крупная база данных;

 предполагается, что в базе данных находятся некие «скрытые знания».

Что означает «скрытые знания»? Это должны быть обязательно знания:

 ранее неизвестные — то есть такие знания, которые должны быть но- выми (а не подтверждающими какие-то ранее полученные сведения);

 нетривиальные — то есть такие, которые нельзя просто так увидеть (при непосредственном визуальном анализе данных или при вычислении простых статистических характеристик);

 практически полезные — то есть такие знания, которые представляют ценность для исследователя или потребителя;

 доступные для интерпретации — то есть такие знания, которые легко представить в наглядной для пользователя форме и легко объяснить в терминах предметной области.

Эти требования во многом определяют суть методов Data mining и то, в каком виде и в каком соотношении в технологии Data mining используются системы управления базами данных, статистические методы анализа и методы искусственного интеллекта.

Проблемы бизнес анализа формулируются по-иному, но решение большинства из них сводится к той или иной задаче Data Mining или к их комбинации. Например, оценка рисков — это решение задачи регрессии или классифи-

кации, сегментация рынка — кластеризация, стимулирование спроса — ассоциативные правила. Фактически, задачи Data Mining являются элементами, из которых можно собрать решение подавляющего большинства реальных бизнес задач.

Перед использованием алгоритмов Data Mining необходимо произвести подготовку набора анализируемых данных. Так как интеллектуальный анализ данных может обнаружить только присутствующие в данных закономерности, исходные данные с одной стороны должны иметь достаточный объём, чтобы эти закономерности в них присутствовали, а с другой — быть достаточно компактными, чтобы анализ занял приемлемое время. Чаще всего в качестве исходных данных выступают хранилища или витрины данных. Подготовка необходима для анализа многомерных данных до кластеризации или интеллектуального анализа данных.

Далее данные очищаются. Очистка удаляет выборки с шумами и пропущенными данными.

Очищенные данные сводятся к наборам признаков (или векторам, если алгоритм может работать только с векторами фиксированной размерности), один набор признаков на наблюдение. Набор признаков формируется в соответствии с гипотезами о том, какие признаки сырых данных имеют высокую прогнозную силу в расчете на требуемую вычислительную мощность для обработки. Например, черно-белое изображение лица размером 100×100 пикселей содержит 10 тыс. бит сырых данных. Они могут быть преобразованы в вектор признаков путём обнаружения в изображении глаз и рта. В итоге происходит уменьшение объёма данных с 10 тыс. бит до списка кодов положения, значительно уменьшая объём анализируемых данных, а значит и время анализа.

Выбор целевой функции DM будет зависеть от того, что является целью анализа; выбор «правильной» функции имеет основополагающее значение для успешного интеллектуального анализа данных.

Наблюдения делятся на две категории — обучающий набор и тестовый набор. Обучающий набор используется для «обучения» алгоритма Data Mining, а тестовый набор — для проверки найденных закономерностей.

Задачи, решаемые методами Data Mining:

1. Классификация — это отнесение объектов (наблюдений, событий) к

одному из заранее известных классов.

2. Регрессия, в том числе задачи прогнозирования. Установление зависи-

мости непрерывных выходных от входных переменных.

100

<<< < Предыдущая 1 2 3 4 5 6 7 8 910 / 1310 11 12 13 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]