Программа по курсу: методы анализа данных и распознавания (базовый) по направлению icon

Программа по курсу: методы анализа данных и распознавания (базовый) по направлению


Смотрите также:
Программа по курсу: методы анализа данных и распознавания по направлению: 511600 факультеты...
Программа по курсу: методы параллельной обработки данных (базовый) по направлению: 511600...
Программа дисциплины Компьютерные методы анализа социологических данных (Введение в...
Программа дисциплины Анализ и разработка данных для направления 010500...
Программа дисциплины «Компьютерные методы анализа социологических данных» (Введение в...
Программа дисциплины сдм. В. 01. Методы анализа данных направления...
Программа дисциплины Методы анализа зависимостей в анализе данных (эконометрический анализ)...
Программа дисциплины «Технологии оперативного анализа данных» для направления...
Программный комплекс для анализа данных трековых детекторов методами распознавания образов и его...
Программа дисциплины Статистические и демографические методы анализа для направления 521600...
Программа дисциплины Статистические и демографические методы анализа для направления 521600...
Рабочая программа по дисциплине "Гибридные методы анализа " по направлению 020100 Химия...



Загрузка...
скачать
Министерство образования и науки Российской Федерации

Московский физико-технический институт

(государственный университет)





УТВЕРЖДАЮ

Проректор по учебной работе _____________Ю.А. Самарский

"____" ____________2008 г.


ПРОГРАММА


по курсу: МЕТОДЫ АНАЛИЗА ДАННЫХ И РАСПОЗНАВАНИЯ

(базовый)

по направлению: 511600

факультеты: ФУПМ, ФАКИ

кафедра: ИНФОРМАТИКИ

курс: 5 курсовая работа: 9, 10 семестр

семестры: 9, 10

лекции: 34 часов

практические занятия: 66 часов


^ ВСЕГО ЧАСОВ: 178

дифф. зачёт: 9 семестр

экзамен: 10 семестр








Программу составил д.ф.-м.н., профессор В.В.Рязанов



Программа обсуждена на заседании кафедры информатики

28 августа 2008 г.






Заведующий кафедрой,

профессор И.Б.Петров


  1. Основные понятия теории распознавания по прецедентам. Признаковые описания, обучающие выборки, компактность, задачи распознавания, кластерного анализа, прогнозирования, поиска закономерностей. Примеры практических применений.

  2. Байесовское решающее правило. Байесовский риск. Классификация с минимальным уровнем ошибок. Классификаторы, разделяющие функции и поверхности решений. Вероятности ошибок, случай нормальной плотности, махаланобисово расстояние, дискретный случай. Параметрические и непараметрические статистические методы распознавания. Функция роста, емкость множества функций.

  3. Перцептроны и принцип их действия. Многоуровневые перцептроны. Обучение и сходимость. Правило постоянного приращения.

  4. Линейные и кусочно-линейные разделяющие поверхности. Линейная машина. Методы построения линейных разделяющих функций (релаксационные методы, псевдообращения, методы линейного программирования). Метод обобщенного портрета. Метод комитетов.

  5. Основные эвристические модели распознавания: метод потенциальных функций, алгоритм МГУА, метод опорных элементов.

  6. Стандартная обучающая информация. Функционал качества распознавания. Тестовый алгоритм, алгоритмы с представительными наборами. Модели алгоритмов вычисления оценок. Эффективные формулы вычисления оценок.

  7. Информативность признаков и эталонов. Методы оценки информативности. Поиск информативных систем признаков.

  8. Бинарные решающие деревья. Признаковые предикаты. Представление разбиения дискретного единичного куба в виде бинарного решающего дерева. Алгоритм построения допустимого разбиения.

  9. Нейросетевые алгоритмы распознавания. Общие понятия. Алгоритм обратного распространения. Сети Кохонена и Хопфильда, алгоритмы обучения Хэбба, сети встречного распространения, свойства сетей.

  10. Алгоритмы распознавания, основанные на локальных критериях оптимальности. Экспертно-таксономический подход, алгоритмы с оптимальными представительными наборами, иерархический подход.

  11. Стандартный распознающий алгоритм, распознающий оператор, решающее правило. Основные понятия и определения алгебраического подхода в распознавании. Корректность и полнота моделей. Представление алгоритмов в виде операторных полиномов. Существование корректных алгоритмов. Методы поиска корректных алгоритмов.

  12. Операции над распознающими алгоритмами. Логические корректоры, корректор по большинству, байесовский и потенциальный корректоры алгоритмов.

  13. Логическая закономерность и методы их нахождения. Алгоритмы распознавания с логическими закономерностями. Логические описания классов, минимальные и сокращенные описания.

  14. Генетические алгоритмы поиска. Кроссовер, мутация, операторы отбора. Генетический алгоритм поиска логических закономерностей классов.

  15. Универсальная система «РАСПОЗНАВАНИЕ» для интеллектуального анализа данных, классификации и прогнозирования: назначение, основные характеристики и функции, интерфейс.

  16. Задача кластерного анализа. Некоторые эвристические алгоритмы (метод к-средних, Форель, метод к-эталонов, алгоритм взаимного поглощения). Восстановление плотностей компонент по плотности смеси.

  17. Меры подобия. Функции критериев для группировки: критерий суммы квадратов ошибок, родственные критерии минимума дисперсии, матрицы и критерии рассеяния.

  18. Итеративная оптимизация в кластерном анализе. Минимизация критерия суммы квадратов ошибок.

  19. Иерархическая группировка, дендрограммы, агломеративные и делимые процедуры. Алгоритмы "ближайший сосед", "дальний сосед", компромиссы. Пошаговая оптимальная иерархическая группировка. Многомерное масштабирование.

  20. Меры концентрации, средняя мера внутриклассового рассеяния. Критерии кластеризации при неизвестном числе кластеров.

  21. Кластеризация коллективами алгоритмов. Комитетный синтез коллективных решений. Размытые и контрастные матрицы оценок. Критерии качества коллективных решений. Методы нахождения оптимальных коллективных решений задач кластерного анализа. Видео - логический метод кластеризации.

  22. Data Mining - "обогащение данных". Обнаружение закономерностей, отклонений, сходства. Предсказание. Подходы data mining.



^ Задачи для практикума


1. Найти минимальный тест для таблицы обучения:

а) б)

0

0

0

1







0

1

0

1







1

0

0

0






1

1

1

0







0

1

0

0







1

0

0

1






1

1

0

1







0

1

1

0























































































































0

1

1

0

0

1




0

1

1

0

1

1



1

0

1

0

0

1




0

1

1

0

0

0




1

1

1

0

1

1



0

1

1

1

0

1






  1. Найти минимальный представительный набор каждого класса для таблицы обучения:

а) б)

0

1

1




1

0

0



1

1

0




1

0

1




1

1

1



0

0

1













































































1

1

1




0

0

0



0

1

0




1

0

0




1

1

0



0

1

1






3. Вычислить веса признаков (определяемые через тупиковые тесты) таблиц задачи 1.

  1. Привести пример таблицы обучения с бинарными признаками, для которой вес признака равен нулю. Привести пример таблицы обучения с бинарными признаками, для которой вес признака равен единице.

  2. Длина минимального теста меньше длины минимального представительного набора. Верно ли это утверждение?

  3. Дана система линейных уравнений Сопоставим i- му неравенству булеву переменную , а всей системе - булеву функцию следующим образом. Пусть - подсистема системы , состоящая из всех неравенств, соответствующих единичным компонентам .



К какому классу булевых функций относится и как она связана с задачей поиска максимальной совместной подсистемы системы ?

7. Постройте решающее дерево для таблицы обучения а), б) задачи 1). Постройте решающее дерево для данных задачи 12.

8. Найти максимальную совместную подсистему системы линейных неравенств:

а) б)


9. a) Покажите, что расстояние между гиперплоскостью =0 и точкой при наличии ограничения может быть сделано равным путем минимизации .

b) Покажите, что проекция вектора на гиперплоскость задается выражением .

10. Рассмотрите линейную машину с разделяющими функциями Покажите, что области решения являются выпуклыми.

11. Предложите обобщение на случай многих классов метода потенциальных функций, включающего разделяющих функций; предложите итеративную процедуру коррекции ошибок для определения разделяющих функций.

  1. Рассмотрим множество из семи двумерных векторов Допустим, что первые четыре имеют метку , а другие три – метку . Постройте полиномиальную разделяющую функцию минимальной степени.

  2. Постройте для множества векторов предыдущей задачи гиперплоскость, разделяющую максимальное число объектов классов и .

  3. Пусть условные плотности для одномерной задачи и двух классов заданы распределением Коши:

.

Считая, что , покажите, что при .

Набросайте график для случая . Как ведет себя при

  1. Используя условные плотности из задачи 14 и полагая априорные вероятности равными, покажите, что минимальная вероятность ошибки определяется выражением .

Рассмотрите это выражение как функцию величины .

  1. Пусть для одномерной задачи и двух классов при . Покажите, что минимальная вероятность ошибки определяется выражением ,

где .

Рассмотрите неравенство .


Покажите, что стремится к нулю при .

  1. Пусть для n-мерной задачи и двух классов при . Покажите, что минимальная вероятность ошибки определяется выражением

,

где . Пусть и . Используя неравенство из задачи 16, покажите, что стремится к нулю при . Выразите смысл этого результата словами.

  1. Пусть компоненты вектора тернарны (1, 0 или -1) с вероятностями причем компоненты статистически независимы для всех и .

Покажите, что можно получить решающее правило с минимальной вероятностью ошибки, используя разделяющие функции , представляющие собой квадратичные функции компонент .

  1. Пусть есть бинарный (0,1) вектор с многомерным распределением Бернулли

, где - неизвестный параметрический вектор, а - есть вероятность того, что . Покажите, что оценка по максимуму правдоподобия для есть .

  1. Пусть выборочное среднее и выборочная ковариационная матрица для множества выборок определяются выражениями , и .

Покажите, что влияние на эти величины добавления новой выборки можно выразить рекуррентными формулами и .

  1. Выражения из задачи 21 позволяют вводить поправки и оценки ковариационных матриц. Однако нередко представляет интерес обратная ковариационная матрица, а ее обращение отнимает много времени. Доказав матричное тождество и используя результаты, полученные в задаче 20, покажите, что .

  2. Рассмотрим множество из семи двумерных векторов

Допустим, что первые три имеют метку , а другие четыре – метку .

  1. Нарисуйте границу областей решений, полученную в результате применения правила ближайшего соседа. (Она должна состоять из девяти отрезков прямых.)

  2. Найдите средние значения выборок и и нарисуйте границу решения, соответствующую классификации при присвоении ему класса среднего значения ближайшей выборки.

  1. Пользуясь определением матрицы разброса между группами, данным для случая многих классов: , покажите, что , если .

  2. Если множество векторов разделено на групп , то среднее для не определено, если пустое. В этом случае сумма квадратов ошибок содержит только непустые подмножества . Считая, что , покажите, что в разделении, минимизирующем , нет пустых подмножеств.

  3. Рассмотрим иерархическую процедуру группировки, в которой группы объединяются так, чтобы привести к наименьшему увеличению суммы квадратов ошибок на каждом шаге. Если группа содержит объектов со средним , покажите, что наименьшее увеличение, получается, от слияния двух групп, для которых минимальна.

  4. Постройте и сравните результаты иерархической кластеризации на 4, 3, 2 кластера для выборки из 5 объектов , описываемых единственным признаком , и следующих мерах расстояния: ,



.

  1. Решите задачу иерархической группировки на два кластера для выборки из задачи 12.

  2. Приведите пример совпадающих размытой и контрастной матриц оценок.



^ СПИСОК ЛИТЕРАТУРЫ


  1. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации. В сборнике "Проблемы кибернетики", – М.: "Наука", 1978, стр. 6-68.

  2. Журавлев Ю.И. Избранные научные труды. – М.: "Магистр", 1998, 420 с.

  3. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. – М., "Наука", 1974.

  4. Ежегодник "Распознавание, классификация, прогноз (математические методы и их применение)", – М.: "Наука", Вып.1 (1988), 2 (1989), 3 (1990).

  5. Дуда Р., Харт П. Распознавание образов и анализ сцен, – М.:"Мир", 1976, 511 с.

  6. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск, Институт математики им. С.Л.Соболева СО РАН, 1999, 268 с.




Скачать 111.68 Kb.
оставить комментарий
Дата02.12.2011
Размер111.68 Kb.
ТипПрограмма, Образовательные материалы
Добавить документ в свой блог или на сайт

Ваша оценка этого документа будет первой.
Ваша оценка:
Разместите кнопку на своём сайте или блоге:
rudocs.exdat.com

Загрузка...
База данных защищена авторским правом ©exdat 2000-2017
При копировании материала укажите ссылку
обратиться к администрации
Анализ
Справочники
Сценарии
Рефераты
Курсовые работы
Авторефераты
Программы
Методички
Документы
Понятия

опубликовать
Загрузка...
Документы

Рейтинг@Mail.ru
наверх