Презентация Методы анализа данных. Примеры задач. Иллюстрации онлайн
На нашем сайте вы можете скачать и просмотреть онлайн доклад-презентацию на тему Методы анализа данных. Примеры задач. Иллюстрации абсолютно бесплатно. Урок-презентация на эту тему содержит всего 131 слайд. Все материалы созданы в программе PowerPoint и имеют формат ppt или же pptx. Материалы и темы для презентаций взяты из открытых источников и загружены их авторами, за качество и достоверность информации в них администрация сайта не отвечает, все права принадлежат их создателям. Если вы нашли то, что искали, отблагодарите авторов - поделитесь ссылкой в социальных сетях, а наш сайт добавьте в закладки.
Презентации » Математика » Методы анализа данных. Примеры задач. Иллюстрации
Оцените!
Оцените презентацию от 1 до 5 баллов!
- Тип файла:ppt / pptx (powerpoint)
- Всего слайдов:131 слайд
- Для класса:1,2,3,4,5,6,7,8,9,10,11
- Размер файла:11.24 MB
- Просмотров:127
- Скачиваний:2
- Автор:неизвестен
Слайды и текст к этой презентации:
№2 слайд
![Структура курса Задачи и](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img1.jpg)
Содержание слайда: Структура курса
Задачи и методы анализа данных
Корреляционный анализ данных
Регрессионный анализ данных
Поиск ассоциативных взаимосвязей
Кластеризация
Классификация
Снижение размерности многомерного признака. Отбор наиболее информативных показателей. Факторный анализ
Исследование и прогнозирование временных рядов
№5 слайд
![Рекомендуемая литература](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img4.jpg)
Содержание слайда: Рекомендуемая литература
Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности.- М.: Финансы и статистика, 1989.
Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. – М.: «Финансы и статистика», 1983. – 471 с.
Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. Учебник для вузов. – М.: ЮНИТИ, 1998. – 1022 с.
Альсова О.К. Решение задач интеллектуального анализа данных на основе вариативного моделирования./Методические указания к лабораторным работам; составитель Альсова О.К. – Новосибирск: Изд-во НГТУ, 2005. – 75 с.
Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. – Спб.: БХВ-Петербург, 2004. – 336 с.
Боровиков В.П. Statistica. Искусство анализа данных на компьютере: Для профессионалов. 2-е изд. – СПб.: Питер, 2003. – 688 с.
Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. – М.: ФИЗМАТЛИТ, 2006. – 320 с.
№7 слайд
![Рекомендуемая литература](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img6.jpg)
Содержание слайда: Рекомендуемая литература
Бериков В.Б. Анализ статистических данных с использованием деревьев решений: Учебное пособие. – Новосибирск. Изд-во НГТУ, 2002. – 60 с.
Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, вып. 1, 1974. – 406 с.; вып. 2 – 197 с.
Боровиков В.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows. Основы теории и интенсивная практика на компьютере. Учеб. Пособие. – М.: Финансы и статистика, 1999. – 384 с.
Губарев В.В. Интеллектуальный анализ данных и вариативное моделирование в экспериментальных исследованиях.//Информационные системы и технологии. ИСТ, 2001: Сб. научн. статей. – Новосибирск: НГТУ, 2001. – С. 5-25.
Губарев В.В. Вероятностные модели / Новосиб. электротехн. ин-т. – Новосибирск, 1992. – Ч.1. – 198 с; Ч.2. – 188 с.
Губарев В.В., Альсова О.К. Вариативное моделирование на примере решения прикладной задачи.// ИСТ-2000: Матер. междун. науч.-техн. конф. – Новосибирск, НГТУ, 2000, том 2, С. 285-286.
Губарев В.В., Альсова О.К., Швайкова И.Н. Интеллектуальный анализ «данных» и вариативное моделирование с системных позиций.// SCM’2000: International Conference on Soft Computing and Measurements. – Санкт-Петербург, СПб-ГЭТУ, 2000, С. 65-68.
№8 слайд
![Рекомендуемая литература Дюк](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img7.jpg)
Содержание слайда: Рекомендуемая литература
Дюк В.А., Самойленко А.П. Data Mining: учебный курс. — СПб.: Питер, 2001. – 368 с.
Елманова Н. Введение в Data Mining.// Компьютер Пресс 8, 2003, С. 28-39.
Кендэл М. Временные ряды. – М.: Финансы и статистика, 1981. – 199 с.
Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. – М.: Изд-во Нолидж, 2001. – 496 с.
Курейчик В.М., Родзин С.И. Эволюционные алгоритмы: генетическое программирование. Обзор // Известия РАН. ТиСУ. 2002. №1. С. 127-137.
Струнков Т. Что такое генетические алгоритмы.//PC Week RE, №19, 1999.
Факторный, дискриминантный и кластерный анализ/Пер. с англ. А.М. Хотинского. Под ред. И.С. Енюкова. -М.: Финансы и статистика, 1989.
Четыркин Е.М. Статистические методы прогнозирования. – М.: Статистика, 1977. – 199с.
Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений.//Открытые системы, №1, 1998, С. 30-35.
Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами.//Открытые системы №4-5, 1998, С. 40-44.
Щавелев Л.В. Способы аналитической обработки данных для поддержки принятия решений.// СУБД. - 1998. - № 4-5.
Эвоинформатика: Теория и практика эволюционного моделирования./И.Л. Букатова, Ю.И. Михасев, А.М. Шаров. – М.: Наука, 1991. – 206 с.
№26 слайд
![Дисперсионный анализ](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img25.jpg)
Содержание слайда: Дисперсионный анализ
Однофакторный дисперсионный анализ для несвязанных выборок
Обозначения
СК или SS – сумма квадратов
SSфакт. – вариативность, обусловленная действием исследуемого фактора
SSобщ. – общая вариативность
SSсл. – случайная вариативность
MS – «средний квадрат» (математическое ожидание суммы квадратов, усредненная величина соответствующих SS)
df – число степеней свободы.
№42 слайд
![Задание на л р По результатам](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img41.jpg)
Содержание слайда: Задание на л/р
По результатам статистического исследования физического развития мальчиков 5 лет известно, что их средний рост (х) равен 109 см, а средняя масса тела (у) равна 19 кг. Коэффициент корреляции между
ростом и массой тела составляет + 0,9, средние квадратические отклонения представлены в таблице.
Требуется:
1) рассчитать коэффициент регрессии;
2) по уравнению регрессии определить, какой будет ожидаемая масса
тела мальчиков 5 лет при росте, равном х1 = 100 см, х2 = 110 см,
х3= 120 см;
3) рассчитать сигму регрессии, построить шкалу регрессии и предста-
вить результаты ее решения в графическом виде;
4) сделать соответствующие выводы.
№44 слайд
![Решение задачи ЭТАПЫ РЕШЕНИЯ](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img43.jpg)
Содержание слайда: Решение задачи
ЭТАПЫ РЕШЕНИЯ ЗАДАЧИ
1. Коэффициент регрессии:
Ry/x = rxy х (σy/σx) = +0,9 × (0,8/4,4) = 0,16 кг/см.
Таким образом, при увеличении роста мальчиков 5 лет на 1 м масса
тела увеличивается на 0,16 кг.
2. Уравнение регрессии:
y = My + Ry/x (x – Mx)
х1 = 100 см
х2 = 110 см
х3 = 120 см
у1 = 19 + 0,16 (100 – 109) = 17,56 кг
у2 = 19 + 0,16 (110 – 109) = 19,16 кг
у3 = 19 + 0,16 (120 – 109) = 20,76 кг
№93 слайд
![Анализ временных рядов График](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img92.jpg)
Содержание слайда: Анализ временных рядов
График ежедневных данных о среднем числе дефектов на грузовик в конце сборочного конвейера на предприятии по производству грузовиков. Наблюдения осциллируют на некотором постоянном уровне. Стационарный временной ряд (стационарный в среднем, специальный случай стационарных временных рядов). Ряд может быть описан авторегрессионной моделью скользящего среднего (ARMA), предложенной в методологии Бокса–Дженкинса.
№95 слайд
![Анализ временных рядов](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img94.jpg)
Содержание слайда: Анализ временных рядов
Ежеквартальные данные о производстве пива в США в течение нескольких лет. Сезонный временной ряд, проявляющий ежегодную тенденцию к повторению. Период сезонности, т.е. интервал, через который тенденция повторяется, равен 4.
Для анализа данного ряда может быть предложена модификация модели Бокса–Дженкинса. Альтернативным способом моделирования является сезонная декомпозиция.
№96 слайд
![Анализ временных рядов График](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img95.jpg)
Содержание слайда: Анализ временных рядов
График реализации вина сладкого сорта на территории Австралии с января 1980 по июнь 1994 года. Нестационарный ряд– изменение в структуре ряда, возникшее из-за некоторого внешнего события. Такой тип нестационарности нельзя учесть, применяя то или иное стандартное преобразование.
№131 слайд
![НАЧАЛО простой генетический](/documents_6/4ba26b87af32c04b1b1be7cfb3a44280/img130.jpg)
Содержание слайда: НАЧАЛО // простой генетический алгоритм
Создать начальную совокупность структур(популяцию)
Оценить каждую структуру
останов := FALSE
ПОКА НЕ останов ВЫПОЛНЯТЬ
НАЧАЛО // новая итерация (поколение)
Применить оператор отбора
ПОВТОРИТЬ (размер_популяции/2) РАЗ
НАЧАЛО // цикл воспроизводства
Выбрать две структуры (родители) из множества предыдущей
итерации
Применить оператор скрещивания с заданной вероятностью к
выбранным структурам и получить две новые структуры
(потомки)
Оценить эти новые структуры
Если оператор скрещивания не применяется, то потомки
становятся копиями своих родителей
Поместить потомков в новое поколение
КОНЕЦ
Применить оператор мутации с заданной верояностью
ЕСЛИ популяция сошлась ТО останов := TRUE
КОНЕЦ
КОНЕЦ
НАЧАЛО // простой генетический алгоритм
Создать начальную совокупность структур(популяцию)
Оценить каждую структуру
останов := FALSE
ПОКА НЕ останов ВЫПОЛНЯТЬ
НАЧАЛО // новая итерация (поколение)
Применить оператор отбора
ПОВТОРИТЬ (размер_популяции/2) РАЗ
НАЧАЛО // цикл воспроизводства
Выбрать две структуры (родители) из множества предыдущей
итерации
Применить оператор скрещивания с заданной вероятностью к
выбранным структурам и получить две новые структуры
(потомки)
Оценить эти новые структуры
Если оператор скрещивания не применяется, то потомки
становятся копиями своих родителей
Поместить потомков в новое поколение
КОНЕЦ
Применить оператор мутации с заданной верояностью
ЕСЛИ популяция сошлась ТО останов := TRUE
КОНЕЦ
КОНЕЦ
Скачать все slide презентации Методы анализа данных. Примеры задач. Иллюстрации одним архивом:
Похожие презентации
-
Решение задач на оптимизацию методами математического анализа
-
Анализ задач и альтернативные методы решений. Мастер-класс
-
Статистические методы анализа данных
-
Методы параметрического спектрального анализа. Экспериментальные примеры
-
Методы анализа данных. Основы математической статистики
-
Многомерный регрессионный анализ. Использование для решения задачи однооткликового метода наименьших квадратов
-
Разведочный анализ данных. Цель и задачи. Обнаружение аномальных наблюдений. Критерий проверки
-
Математические методы психологического исследования. Анализ и интерпретация данных
-
Математические идеи в почвоведении. Методы статистического анализа данных. (Лекция 1)
-
Методы статистического анализа в Ms Excel для анализа социологических данных