3.Какое представление данных называется многомерным? Что такое OLAP–технология? Какие компоненты включает OLAP–система? Какие способы реализации модели данных используются в OLAP–системах?
4.Что такое интеллектуальный анализ данных? Какие задачи решаются с помощью Data Mining?
5.Какие методы используются для решения задач Data
Mining?
6.Для чего предназначены процедуры Text Mining и Web Mining?
86
ЗАКЛЮЧЕНИЕ
Задачи обработки накопленной информации, требующие применения специальных методов анализа, встречаются во многих сферах человеческой деятельности. Для эффективного решения таких задач необходимо в равной степени обладать как теоретическими знаниями, так и практическими навыками работы в современных пакетах автоматизации статистической обработки информации.
Пособие содержит весь необходимый материал для получения теоретических знаний об основных методах статистического и интеллектуального анализа больших объемов информации.
Знания, полученные в результате изучения глав пособия, могут стать хорошей базой для успешного освоения разнообразных программных средств, предназначенных для анализа данных и самостоятельного изучения не охваченных в пособии методов обработки данных.
87
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1.Воскобойников Ю. Е. Теория вероятностей и математическая статистика (с примерами в Excel): учеб. пособие / Ю. Е. Воскобойников, Т. Т. Баланчук. Новосибирск: НГАСУ (Сибстрин). 2013. 200 с.
2.Никитина Н.Ш. Математическая статистика для экономистов / Н.Ш. Никитина. М.: Инфра–М; Новосибирск:
Изд–во НГТУ. 2001. 170 с.
3.Статистика: учеб. для вузов / под ред. И.И. Елисеевой.
СПб.: Питер. 2010. 368 с.
4.Близоруков М.Г. Статистические методы анализа рынка: учеб. пособие / М.Г. Близоруков. Екатеринбург: Ин–т управления и предпринимательства УГУ. 2008. 75 с.
5.Шмойлова Р.А. Теория статистики: учебник / Р.А. Шмойлова, В.Г. Минашкин, Н.А. Садовникова, Е.Б. Шувалова. М.: Финансы и статистика. 2004. 656 с.
6.Барсегян А.А. Анализ данных и процессов / А.А. Барсегян, М.С. Куприянов, И.И. Холод, М.Д. Тесс, С.И. Елизаров. СПб.: БХВ–Петербург. 2009. 512 с.
7.Паклин Н.Б. Бизнес–анализ: от данных к знаниям / Н.Б. Паклин, В.И. Орешков. СПб.: Питер. 2013. 704 с.
8.Боровиков В.А. Искусство анализа данных на компьютере: для профессионалов / В.А. Боровиков. СПб.:
Питер. 2003. 688 с.
9. Барковский С.С. Многомерный анализ данных методами прикладной статистики: учеб.пособие / С.С. Барковский, В.М. Захаров, А.М. Лукашов, А.Р. Нурутдинова, С.В. Шалагин. Казань: Изд–во КГТУ. 2010. 126 с.
10. Калинина В.Н. Введение в многомерный статистический анализ: учеб. пособие / В.Н. Калинина, В.И. Соловьев. М.: Изд–во ГУУ. 2003. 66 с.
11. Chakraborty R.C. Genetic Algorithms & Modeling:: Soft Computing Course Lecture 37 – 40 [Электронный ресурс].
URL:http://www.myreaders.info/html/soft_computing.html (дата обращения: 01.11.2015).
88
ОГЛАВЛЕНИЕ |
|
Введение |
3 |
1. Обработка данных с помощью методов описательной |
|
статистики |
4 |
1.1. Основные понятия и задачи |
|
математической статистики |
4 |
1.2. Методы предварительной обработки результатов |
|
наблюдений |
6 |
1.3. Графическое изображение статистических данных |
9 |
1.4. Характеристики случайной выборки |
11 |
1.4.1. Классификация численных характеристик |
|
выборки. Показатели центра распределения |
11 |
1.4.2. Показатели степени вариации |
14 |
1.4.3. Показатели формы распределения |
15 |
1.4.4. Функция распределения и плотность |
|
распределения |
18 |
1.5. Проверка статистических гипотез |
20 |
Контрольные вопросы |
21 |
2. Методы анализа статистических связей в результатах |
|
наблюдений |
23 |
2.1. Классификация признаков исследуемых объектов и |
|
связей между ними |
23 |
2.2. Корреляционный анализ экспериментальных данных |
24 |
2.3. Регрессионный анализ |
30 |
89
2.4. Дисперсионный анализ |
38 |
Контрольные вопросы |
41 |
3. Методы классификации и редукции данных |
42 |
3.1. Кластерный анализ |
42 |
3.2. Дискриминантный анализ |
48 |
3.3. Факторный анализ |
50 |
Контрольные вопросы |
55 |
4. Технологии многомерного анализа данных |
56 |
4.1. Основы организации обработки больших |
|
объемов данных |
56 |
4.2. OLAP–технология комплексного анализа |
|
многомерных данных |
61 |
4.3. Интеллектуальный анализ данных (Data Mining) |
69 |
4.4. Методы Data Mining |
72 |
4.4.1. Классификация методов Data Mining |
72 |
4.4.2. Поиск ассоциативных правил |
73 |
4.4.3. Деревья решений |
75 |
4.4.4. Искусственные нейронные сети |
76 |
4.4.5. Нечеткая логика |
78 |
4.4.6. Генетический алгоритм |
80 |
4.5. Text Mining и Web Mining |
83 |
Контрольные вопросы |
85 |
Заключение |
87 |
Библиографический список |
88 |
90