Контрольні питання і завдання для самоперевірки

1. Коротка теоретична довідка про виникнення та розвиток теорії інформації.

1. Що називають кількістю інформації?

2. Які вимоги висувають до міри невизначеності?

3. Для чого нормують початкові дані?

4. Які властивості мають функції нормування?

5. Для чого застосовують зниження розмірності простору вхідних факторів?

6. у яких випадках використовують і яких результатів досягають за допомогою алгоритму „вибілювання" входів?

7. Метод вилучення лінійної залежності серед вхідних факторів, що базується на критерії Фаррара-Глобера.

8. Методи визначення мультиколінеарності.

9. Якими методами розв'язується задача вибору вагомих факторів?

10. У чому полягає сутність методу „box-counting"?

11. Як оцінюється ентропія в методі „box-counting"?

12. У якому випадку ентропія є максимальною?

13. Що таке крос-ентропія і як вона визначається?

14. Алгоритм реалізації методу „box-counting".

15. Які особливості має нейромережне визначення вагомих факторів?

16. Наведіть приклад раціонального застосування методу „box-counting".

17. Які переваги і недоліки має метод „box-counting" у порівнянні з іншими методами визначення вагомих факторів?

Теми рефератів та розрахунково-графічних робіт

1. Дослідження властивості збереження метрики для різних виразів нормалізації.

2. Порівняльний аналіз результатів методу головних компонент та нейромережних технологій для визначення вагомих факторів.

3. Дослідження залежності точності визначення вагомих факторів від розміру чарунки поділу у методі „bох-counting".

4. Дослідження ефективності методів збільшення інформативності даних у залежності від їх кількості та наявності лінійної залежності.

5. Критерії інформативності ознак.

6. Теоретичне обґрунтування методу „box-counting".

7. Застосування нейронних мереж до відбору інформативних ознак в моделях лінійної регресії.

8. Застосування нейронних мереж до відбору інформативних ознак в моделях нелінійної регресії.

Теми для самостійного опрацювання

1. Відбір інформативних ознак в моделях дискримінантного аналізу.

2. Відбір інформативних ознак в моделях регресії.

3. Нелінійне відображення багатовимірних даних в простір нижчої розмірності за критерієм стресу.

4. Швидке нелінійне відображення за допомогою опорних точок.

5. Швидкий алгоритм нелінійного проектування багатовимірних даних.

6. Модель Фішера з додатковими припущеннями про структуру залежності ознак.

7. Схема послідовного випробовування наборів ознак.