МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ

ДЕРЖАВНИЙ ВИЩИЙ НАВЧАЛЬНИЙ ЗАКЛАД

"КИЇВСЬКИЙ НАЦІОНАЛЬНИЙ ЕКОНОМІЧНИЙ УНІВЕРСИТЕТ

імені Вадима Гетьмана"

Кафедра інформаційних систем в економіці

Методичні матеріали

щодо змісту та організації самостійної роботи студентів,

поточного і підсумкового контролю їх знань

з дисципліни

"Інтелектуальний аналіз даних"

(для бакалаврів спеціальності

6.080.400 “Інтелектуальні системи прийняття рішень”)

укладач: к.т.н. Іванченко Г.Ф.

УХВАЛЕНО:

на засіданні кафедри ІСЕ

протокол № 14 від 28.04.2010 р.

Завідувач кафедри

_____________ Устенко С.В.

Погоджено:

Проректор з науково-педагогічної роботи ___________ Колот А.М.

Начальник навчально-методичного відділу ___________ Гуть Т.В.

КИЇВ 2010

1. Питання, що виносяться на екзамен з дисципліни

1. Задачі інтелектуального аналізу даних (Data Mining).

2. Задача класифікації і регресії.

3. Задача пошуку асоціативних правил.

4. Задача кластеризації.

5. Моделі Data Mining.

6. Передбачаючі моделі.

7. Описові моделі.

8. Процесс виявлення знань.

9. Підготовка початкових даних.

10. Практичне використання інтелектуального аналізу даних

11. Неефективність використовування OLTP-систем для аналізу даних.

12. Концепція сховища даних і аналіз.

13. Організація СД.

14. Очищення даних.

15. Багатовимірна модель даних OLAP-системи.

16. Визначення OLAP-систем.

17. Концептуальне багатовимірне уявлення.

18. Дванадцять основних та додаткові правила Кодда.

19. Тест FASMI.

20. Архітектура OLAP-систем, MOLAP, ROLAP, HOLAP.

21. Стандарт СWM.

22. Фази і задачі стандарту CRISP.

23. Стандарт PMML.

24. Стандарт SQL/MM.

25. Стандарт OLE DB для Data Mining.

26. Стандарт JDMAPI.

27. Архітектура бібліотеки. Класи моделі для Xelopes

28. Методи пакету Model.

29. Класи пакету Settings.

30. Методи пакету Settings.

31. Діаграмма Attribute.

32. Класи пакету Attribute

33. Діаграмма Algorithms

34. Клас MiningAlgorithm.

35. Розширення класу MiningAlgorithm.

36. Діаграмма DataAccess.

37. Клас MininglnputStream .

38. Класи Mining-векторів.

39. Діаграма Transformation.

40. Рішення задачі пошуку асоціативних правил Xelopes..

41. Рішення задачі кластеризації Xelopes..

42. Правила класифікації Xelopes..

43. Математичні функції Xelopes..

44. Методи побудови правил класифікації Xelopes..

45. Метод Naive Bayes.

46. Методи побудови дерев рішень Xelopes..

47. Алгоритм IDЗ.

48. Алгоритм С4.5.

49. Алгоритм покриття.

50. Нелінійні методи.

51. Методи прогнозування тимчасових рядів.

52. Нечітка логіка.

53. Генетичні алгоритми.

54. Секвенціальний аналіз.

55. Різновиди задачі пошуку асоціативних правил.

56. Представлення результатів.

57. Алгоритм Apriori.

58. Різновиди алгоритму Aprioriю.

59. Постановка задачі кластеризації

60. Формальна постановка задачі.

61. Заходи близькості, засновані на відстанях, використовувалися в алгоритмах кластеризації.

62. Представлення результатів.

63. Базові алгоритми кластеризації.

64. Класифікація алгоритмів. Ієрархічні алгоритми.

65. Агломератівні алгоритми.

66. Дівізімні алгоритми.

67. Алгоритм ISODATA k-means (Hard-с-means).

68. Алгоритм Fuzzy C-Means.

69. Кластеризація по Гюстафсону-Кесселю.

70. Адаптивные методи кластеризації.

71. Використовування формальних критеріїв якості в адаптивній кластеризації.

72. Показники чіткості.

73. Ентропійний критерій. Інші критерії

74. Виконання візуального аналізу даних.

75. Характеристики засобів візуалізації даних.

76. Методи геометричних перетворень

77. Відображення ікон .

78. Методи, орієнтовані на піксели.

79. Ієрархічні образи.

80. Задача аналізу текстів Text Mining.

81. Етапи аналізу текстів.

82. Отримування ключових понять з тексту.

83. Загальний опис процесу отримання понять з тексту .

84. Стадія локального аналізу.

85. Стадія інтеграції і висновку понять.

86. Класифікація текстових документів.

87. Опис задачі класифікації текстів.

88. Методи класифікації текстових документів.

89. Методи кластеризації текстових документів.

90. Представлення текстових документів.

91. Ієрархічні методи кластеризації текстів.

92. Бінарні методи кластеризації текстів.

93. Задача анотування текстів.

94. Виконання анотування текстів.

95. Методи отримання фрагментів для анотації.

96. Засоби аналізу текстової інформації Oracle Text.

97. Засоби від IBM — Intelligent Miner for Text.

98. Засоби SAS Institute — Text Miner.

99. Засоби Мегап’ютер Інтелідженс — TextAnalyst.

100. Системи мобільних агентів.

101. Стандарти багатоагентних систем.

102. Система мобільних агентів JADE.

103. Використання мобільних агентів для аналізу даних.

104. Проблеми розподіленого аналізу даних.

105. Агенти-аналітики.

106. Варіанти аналізу розподілених даних.

107. Система аналізу розподілених даних.

108. Агент для збору інформації про базу даних.

109. Агент для збору статистичної інформації про дані.

110. Агент для вирішення однієї задачі інтелектуального аналізу даних.

111. Агент для вирішення інтегрованої задачі інтелектуального аналізу даних.

112. Методи оптимізації комбінаторних задач різного ступеня складності.

113. Класифікація еволюційних алгоритмів.

114. Базовий генетичний алгоритм.

115. Послідовні модифікації базового генетичного алгоритму.

116. Паралельні модифікації базового генетичного алгоритму.

117. Особливості генетичних алгоритмів, передумови для адаптації.

118. Основа та область управління адаптації ГА.

119. Адаптація на рівні популяції, індивідів, компонентів.

120. Двонаправлена інтеграція ГА і нечітких алгоритмів продукційного типу.