Описание функциональных возможностей технологии Data Mining как процессов обнаружения неизвестных данных. Изучение систем вывода ассоциативных правил и механизмов нейросетевых алгоритмов. Описание алгоритмов кластеризации и сфер применения Data Mining.
1. Data Mining. Основные понятия и определения 1.1 Этапы в процессе интеллектуального анализа данных 1.2 Компоненты систем интеллектуального анализа 1.3 Методы исследования данных в Data Mining 2. Методы Data Mining 2.1 Вывод ассоциативных правил 2.2 Нейросетевые алгоритмы 2.3 Методы ближайшего соседа и k-ближайших соседей 2.4 Деревья решений 2.5 Алгоритмы кластеризации 2.6 Генетические алгоритмы 3. Производители средств Data Mining 5. Критика методов Заключение Список литературы Введение Результатом развития информационных технологий является колоссальный объем данных, накопленных в электронном виде, растущий быстрыми темпами. Однако они не позволяют синтезировать новые гипотезы, а могут использоваться лишь для подтверждения заранее сформулированных гипотез и “грубого” разведочного анализа, составляющего основу оперативной аналитической обработки данных (online analytical processing, OLAP). Суть и цель технологии Data Mining можно сформулировать следующим образом: это технология, которая предназначена для поиска в больших объемах данных неочевидных, объективных и полезных на практике закономерностей. Очистка данных - исключение противоречий и случайных шумов из исходных данных b. Генетические алгоритмы - поиск и генерация алгоритма, выражающего взаимозависимость данных, на основании изначально заданного алгоритма, модифицируемого в процессе поиска. Более сложным типом правил являются количественные ассоциативные правила (Quantitative Association Rules). С учетом этого, в введена концепция атрибутного времени жизни в алгоритмах поиска временных ассоциативных правил (Temporal Association Rules).
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
