Введение в интеллектуальный анализ данных с использованием Excel и Python (2025) [PDF]

Е.В. Синицын, В.Е. Синицын | Введение в интеллектуальный анализ данных с использованием Excel и Python (2025) [PDF]

picАвтор: Е.В. Синицын, В.Е. Синицын

Издательство: Уральский университет

ISBN: 978-5-7996-3968-6

Жанр: учебно-методическое пособие

Формат: PDF

Качество: Изначально электронное (ebook)

Иллюстрации: Черно-белые

Описание:

В учебно-методическом пособии рассмотрены основные задачи интеллектуального анализа данных (Data Mining) и базовые алгоритмы их решения.

Изложены основные понятия теории вероятностей, необходимые для усвоения материала. Даны задачи для самостоятельного решения и тесты для самоконтроля. Для получения практических навыков анализа предлагается выполнить лабораторные работы, используя Excel и Python, в соответствии с приведенными указаниями.

Для студентов, изучающих дисциплины в рамках модулей «Базовые методы анализа данных на современных языках программирования управления бизнесом», «Методы и инструменты экономических исследований».

Дополнительная информация:

Предисловие

1. ТЕОРИЯ ВЕРОЯТНОСТЕЙ. ОСНОВНЫЕ ПОНЯТИЯ И ОПРЕДЕЛЕНИЯ

1.1. Классическая схема абстрактных событий

1.2. Алгебра (исчисление) событий

1.3. Вероятность

1.4. Алгебра вероятностей

1.4.1. Правило сложения вероятностей

1.4.2. Условная вероятность. Правило умножения вероятностей

1.5. Полная вероятность. Формула Байеса. Контрольные вопросы и задания для самопроверки и задачи для самостоятельного решения (параграфы 1.1–1.5)

1.6. Испытания Бернулли и формула Пуассона

1.7. Случайные величины и их числовые характеристики

1.8. Проверка гипотез. Задачи для самостоятельного решения (параграфы 1.6–1.8)

Лабораторные работы по теме «Теория вероятностей»

2. ЗАДАЧИ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

2.1. Классификация объектов

2.1.1. Алгоритм 1R («1-правило»)

2.1.2. Метод Naive Bayes

2.1.3. Алгоритм построения деревьев решений

(«Разделяй и властвуй»)

2.1.4. Жадные алгоритмы классификации

Лабораторные работы по теме «Классификация объектов»

2.2. Кластеризация

2.2.1. Метрическое пространство. Метрики, применяемые в алгоритмах кластеризации

Упражнения по теме «Метрическое пространство»

2.2.2. Алгоритмы кластеризации

Лабораторные работы по теме «Кластеризация»

2.3. Генерация ассоциативных правил

2.3.1. Основные понятия и определения

2.3.2. Алгоритм apriori

Лабораторные работы по теме «Генерация ассоциативных правил»

Контрольные вопросы для самопроверки

Заключение

Библиографические ссылки