Data Mining
Курс знакомит слушателей с технологией Data Mining, подробно рассматриваются методы, инструментальные средства и применение Data Mining. Описание каждого метода сопровождается конкретным примером его использования.
Обсуждаются отличия Data Mining от классических статистических методов анализа и OLAP-систем, рассматриваются типы закономерностей, выявляемых Data Mining (ассоциация, классификация, последовательность, кластеризация, прогнозирование). Описывается сфера применения Data Mining. Вводится понятие Web Mining. Подробно рассматриваются методы Data Mining: нейронные сети, деревья решений, методы ограниченного перебора, генетические алгоритмы, эволюционное программирование, кластерные модели, комбинированные методы. Знакомство с каждым методом проиллюстрировано решением практической задачи с помощью инструментального средства, использующего технологию Data Mining.Излагаются основные концепции хранилищ данных и места Data Mining в их архитектуре. Вводятся понятия OLTP, OLAP, ROLAP, MOLAP.Обсуждается процесс анализа данных с помощью технологии Data Mining. Подробно рассматриваются этапы этого процесса. Анализируется рынок аналитического программного обеспечения, описываются продукты от ведущих производителей Data Mining, обсуждаются их возможности.
Цель Познакомить слушателей с теоретическими аспектами технологии Data Mining, методами, возможностью их применения, дать практические навыки по использованию инструментальных средств Data Mining
Предварительные знания Желательны, но не обязательны знания по информатике, основам теории баз данных, знания по математике (в пределах начальных курсов ВУЗа), технологии обработки информации.
"За последние годы, когда, стремясь к повышению эффективности и прибыльности бизнеса, при создании БД все стали пользоваться средствами обработки цифровой информации, появился и побочный продукт этой активности -горы собранных данных: И вот все больше распространяется идея о том, что эти горы полны золота".
В прошлом процесс добычи золота в горной промышленности состоял из выбора участка земли и дальнейшего ее просеивания большое количество раз. Иногда искатель находил несколько ценных самородков или мог натолкнуться на золотоносную жилу, но в большинстве случаев он вообще ничего не находил и шел дальше к другому многообещающему месту или же вовсе бросал добывать золото, считая это занятие напрасной тратой времени.
Сегодня появились новые научные методы и специализированные инструменты, сделавшие горную промышленность намного более точной и производительной. Data Mining для данных развилась почти таким же способом. Старые методы, применявшиеся математиками и статистиками, отнимали много времени, чтобы в результате получить конструктивную и полезную информацию.
Сегодня на рынке представлено множество инструментов, включающих различные методы, которые делают Data Mining прибыльным делом, все более доступным для большинства компаний.
Термин Data Mining получил свое название из двух понятий: поиска ценной информации в большой базе данных (data) и добычи горной руды (mining). Оба процесса требуют или просеивания огромного количества сырого материала, или разумного исследования и поиска искомых ценностей.
Термин Data Mining часто переводится как добыча данных, извлечение информации, раскопка данных, интеллектуальный анализ данных, средства поиска закономерностей, извлечение знаний, анализ шаблонов, "извлечение зерен знаний из гор данных", раскопка знаний в базах данных, информационная проходка данных, "промывание" данных. Понятие "обнаружение знаний в базах данных" (Knowledge Discovery in Databases, KDD) можно считать синонимом Data Mining [1].
Data Mining 2
Понятие Статистики
Понятие Машинного обучения
Развитие технологии баз данных
Понятие Data Mining
Классификация аналитических систем
Мнение экспертов о Data Mining
Квалификация пользователя
Извлечение полезных сведений невозможно без хорошего понимания сути данных
Сложность подготовки данных
Отличия Data Mining от других методов анализа данных
Перспективы технологии Data Mining
Существующие подходы к анализу
Что такое данные?
Набор данных и их атрибутов
Набор данных и их атрибутов 2
Измерения
Шкалы
Шкалы 2
Данные, состоящие из записей
Графические данные
Химические данные
Форматы хранения данных
Базы данных. Основные положения
Системы управления базами данных, СУБД
Классификация видов данных
Метаданные
Выводы.
Классификация стадий Data Mining
Свободный поиск (Discovery)
Прогностическое моделирование (Predictive Modeling)
Анализ исключений (forensic analysis)
Методы на основе уравнений.
Арсенал статистических методов Data Mining классифицирован на четыре группы методов:
Кибернетические методы Data Mining
Методы Data Mining также можно классифицировать по задачам Data Mining.
Свойства методов Data Mining
Свойства методов Data Mining 2
Задачи Data Mining
Классификация задач Data Mining
Объяснение и описание
Связь понятий
От данных к решениям
От данных к решениям 2
От данных к решениям 3
Информация
Свойства информации
Требования, предъявляемые к информации
Знания
Сопоставление и сравнение понятий "информация", "данные", "знание"
Задача классификации
Задача классификации 2
Задача классификации 3
Задача классификации 4
Задача классификации 5
Задача классификации 6
Методы, применяемые для решения задач классификации
Методы, применяемые для решения задач классификации 2
Методы, применяемые для решения задач классификации 3
Точность классификации: оценка уровня ошибок
Оценивание классификационных методов
Задача кластеризации
Задача кластеризации 2
Задача кластеризации 3
Задача кластеризации 4
Задача кластеризации 5
Оценка качества кластеризации
Процесс кластеризации
Применение кластерного анализа
Практика применения кластерного анализа в маркетинговых исследованиях
Выводы
Задача прогнозирования
Сравнение задач прогнозирования и классификации
Прогнозирование и временные ряды
Прогнозирование и временные ряды 2
Тренд, сезонность и цикл
Тренд, сезонность и цикл 2
Тренд, сезонность и цикл 3
Точность прогноза
Виды прогнозов
Методы прогнозирования
Задача визуализации
Плохая визуализация
Плохая визуализация 2
Сферы применения Data Mining
Применение Data Mining для решения бизнес-задач
Страхование
Телекоммуникации
Электронная коммерция
Маркетинг
Розничная торговля
Фондовый рынок
Применение Data Mining в CRM
Исследования для правительства
Data Mining для научных исследований
Молекулярная генетика и генная инженерия
Химия
Примеры систем интеллектуальных агентов поиска:
Text Mining
Call Mining
Анализ данных в Microsoft Excel
Описательная статистика
Описательная статистика 2
Центральная тенденция
Характеристики вариации данных
Корреляционный анализ
Коэффициент корреляции Пирсона
Коэффициент корреляции Пирсона 2
Регрессионный анализ
Задачи регрессионного анализа
Уравнение регрессии
ВЫВОД ИТОГОВ
ВЫВОД ОСТАТКА
ВЫВОД ОСТАТКА 2
ВЫВОД ОСТАТКА 3
Выводы
Выводы 2
Выводы 3
Выводы 4
Преимущества деревьев решений
Процесс конструирования дерева решений
Критерий расщепления
Остановка построения дерева
Сокращение дерева или отсечение ветвей
Алгоритмы
Алгоритм C4.5
Выводы
Метод опорных векторов
Метод опорных векторов 2
Метод опорных векторов 3
Линейный SVM
Линейный SVM 2
Метод "ближайшего соседа" или системы рассуждений на основе аналогичных случаев
Преимущества метода
Недостатки метода "ближайшего соседа"
Решение задачи классификации новых объектов
Решение задачи классификации новых объектов 2
Решение задачи классификации новых объектов 3
Оценка параметра k методом кросс-проверки
Байесовская классификация
Байесовская классификация нашла широкое применение на практике.
Элементы нейронных сетей
Элементы нейронных сетей 2
Архитектура нейронных сетей
Обучение нейронных сетей
Переобучение нейронной сети
Модели нейронных сетей
Модели нейронных сетей 2
В этой модели персептрона должен быть хотя бы один скрытый слой. Присутствие нескольких таких слоев оправдано лишь в случае использования нелинейных функций активации. Пример двухслойного персептро
