Міністерство освіти і науки, молоді та спорту України
Запорізький національний технічний університет
Методичні вказівки
до лабораторних робіт
з дисципліни
“Інтелектуальний аналіз даних”
для студентів
напряму підготовки 6.050103
“Програмна інженерія”
всіх форм навчання
2012
Методичні вказівки
до лабораторних робіт з дисципліни
“Інтелектуальний аналіз даних” для
студентів напряму підготовки 6.050103
“Програмна інженерія” всіх форм
навчання / Т.В. Юр, В.М. Льовкін.
– Запоріжжя: ЗНТУ, 2012. – ХХ с.
Автори: Т.В. Юр, ст. викладач,
В.М. Льовкін, асистент
Рецензент:
Відповідальний
за випуск:
|
Затверджено на засіданні кафедри програмних засобів
Протокол №Х від “__” _________ 2012 р. |
Содержание
Введение 5
Справочные сведения 6
Лабораторная работа №1 Знакомство с программой интеллектуального анализа данных Weka 7
1.1 Цель работы 7
1.2 Основные теоретические сведения 7
1.2.1 Начало работы 8
1.2.2 Модуль Explorer 9
1.2.3 Загрузка и предварительная обработка данных (Preprocess) 10
1.2.4 Классификация (Classify) 16
1.2.5 Кластеризация (Cluster) 20
1.2.6 Ассоциативные правила (Associate) 21
1.2.7 Отбор признаков (Selecting attributes) 22
1.2.8 Визуализация (Visualizing) 23
1.3 Задание на лабораторную работу 24
1.4 Содержание отчета 24
1.5 Контрольные вопросы 24
Лабораторная работа №2 Решение задачи классификации 27
2.1 Цель работы 27
2.2 Основные теоретические сведения 27
2.3 Задание на лабораторную работу 30
2.4 Содержание отчета 32
Лабораторная работа №3 Performing data preprocessing tasks for data mining in Weka 33
3.1 Цель работы 33
3.2 Основные теоретические сведения 33
3.3 Задание на лабораторную работу 33
3.4 Содержание отчета 35
3.5 Контрольные вопросы 35
Лабораторная работа №4 Часові ряди та прогнозування Regression 36
4.1 Цель работы 36
4.2 Основные теоретические сведения 36
4.3 Задание на лабораторную работу 36
4.4 Содержание отчета 36
4.5 Контрольные вопросы 36
Лабораторная работа №5 Performing clustering using the data mining toolkit 37
5.1 Цель работы 37
5.2 Основные теоретические сведения 37
5.3 Задание на лабораторную работу 39
5.4 Содержание отчета 39
5.5 Контрольные вопросы 39
Лабораторная работа №6 Using Weka to determin Association rules 40
6.1 Цель работы 40
6.2 Основные теоретические сведения 40
6.3 Задание на лабораторную работу 40
6.4 Содержание отчета 41
6.5 Контрольные вопросы 41
Література 42
Введение Справочные сведения
Описание репозитория данных.
Лабораторная работа №1 Знакомство с программой интеллектуального анализа данных Weka
1.1 Цель работы
Ознакомиться и получить навыки работы с GUI интерфейсом библиотеки data mining алгоритмов WEKA
1.2 Основные теоретические сведения
WEKA (Waikato Environment for Knowledge Analysis) – библиотека алгоритмов машинного обучения для решения задач интеллектуального анализа данных (data mining) [2]. Система позволяет непосредственно применять алгоритмы к выборкам данных, а также вызывать алгоритмы из программ на языке Java.
WEKA – продукт университета Уайкато (Новая Зеландия), который впервые был выпущен в его современном виде в 1997 году. WEKA распространяется по лицензии GNU General Public License (GPL). Это программное обеспечение написано на языке Java™ и обеспечивает графический пользовательский интерфейс для работы с файлами данных и генерации визуальных результатов (в виде таблиц и графиков). Кроме того, вы можете интегрировать WEKA, как и любую другую библиотеку, в свои собственные приложения, например, для автоматизации анализа данных на стороне сервера, используя стандартный API.
Цели проекта – создать современную среду для разработки методов машинного обучения и применения их к реальным данным, сделать методы машинного обучения доступными для повсеместного применения. Предполагается, что с помощью данной среды специалист в прикладной области сможет использовать методы машинного обучения для извлечения полезных знаний непосредственно из данных, возможно, очень большого объёма.
Пользователями Weka являются исследователи в области машинного обучения и прикладных наук. Она также широко используется в учебных целях.
Weka содержит средства для предварительной обработки данных, классификации, регрессии, кластеризации, отбора признаков, поиска ассоциативных правил и визуализации. Weka хорошо подходит для разработки новых подходов в машинном обучении.