1.6 Задание к лабораторной работе

Построить следующие кросс-таблицы и диаграммы:

1. Общую сумму и количество продаваемых товаров по каждой группе за каждый из последних 3-х месяцев.

2. Количество продаваемых товаров в каждой из аптек за весь период.

3. По выбранной товарной позиции объем продаж по неделям.

1.7 Контрольные вопросы

Дайте определение СППР. Какие три основные задачи решают СППР?
Почему возможностей традиционных СУБД не хватает для эффективной работы СППР?
В чем состоит OLAP-технология анализа данных?
Какие процессы обозначают термином KDD?
Какие задачи решаются методами Data Mining?
Приведите примеры бизнес-приложений, в которых используются методы Data Mining.
Дайте определение хранилища данных.
Каковы основные свойства ХД?
Какие составляющие входят в ХД?
Что хранится в метаданных?
Дайте определение ETL – процесса.
Что такое очистка данных?
Что такое кубы данных? Измерения? Факты?
Какие операции определены над кубами данных?
Дайте определение OLAP системы.
Тест FASMI.
Архитектура OLAP системы, MOLAP, ROLAP, HOLAP.
Что такое кросс-таблицы и что они дают аналитику?
В чем состоит АВС-анализ? Какую информацию получает менеджер?
В чем состоит XYZ-анализ? Какую информацию получает менеджер?
Как дифференцируются товарные группы АВС- XYZ анализом?

2 Лабораторная работа № 2 Тема: Нейронные сети. Прогнозирование с помощью нейронной сети в программе Deductor

2.1 Нейронные сети: основные понятия

В наши дни возрастает необходимость в системах, которые способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и способны сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т.д. В этой области приложений самым лучшим образом зарекомендовали себя так называемые нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга. Рассмотрим подробнее структуру искусственных нейронных сетей (ИНС) и их применение в конкретных задачах.

2.1.1 Искусственный нейрон и нейронная сеть

Несмотря на большое разнообразие вариантов нейронных сетей, все они имеют общие черты. Так, все они, так же, как и мозг человека, состоят из большого числа связанных между собой однотипных элементов – нейронов, которые имитируют нейроны головного мозга. На рис. 2.1 показана схема нейрона.

Из рисунка видно, что искусственный нейрон, так же, как и живой, состоит из синапсов, связывающих входы нейрона с ядром; ядра нейрона, которое осуществляет обработку входных сигналов и аксона, который связывает нейрон с нейронами следующего слоя. Каждый синапс имеет вес, который определяет, насколько соответствующий вход нейрона влияет на его состояние. Состояние нейрона определяется по формуле

(2.1)

где n – число входов нейрона; x_i – значение i-го входа нейрона;

w_i – вес i-го синапса

Рисунок 2.1 – Схема нейрона

Затем определяется значение аксона нейрона по формуле

(2.2)

где f – некоторая функция, которая называется активационной. Наиболее часто в качестве активационной функции используется так называемый сигмоид, который имеет следующий вид:

(2.3)

Основное достоинство этой функции в том, что она дифференцируема на всей оси абсцисс и имеет очень простую производную:

(2.4)

При уменьшении параметра α сигмоид становится более пологим, вырождаясь в горизонтальную линию на уровне 0,5 при α =0. При увеличении α сигмоид все больше приближается к функции единичного скачка.

Сегодня существует большое число различных конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. В качестве примера рассмотрим многослойную полносвязанную нейронную сеть прямого распространения (рис.2.2), которая широко используется для поиска закономерностей и классификации образов. Полносвязанной нейронной сетью называется многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми нейронами предыдущего слоя, а в случае первого слоя — со всеми входами нейронной сети. Прямое распространение сигнала означает, что такая нейронная сеть не содержит петель.