Анализ данных – поиск закономерностей и построение моделей прогноза: Курсы

Введение в анализ данных и распознавание образов;

Первичное преобразование данных, поиск выбросов;

Регрессионный анализ. Скользящий контроль;

Деревья решений. Простая и обобщенная формы;

Кластеры и их поиск:

Кластер как связная компонента графа;

• Построение минимального покрывающего дерева;
• Метод К средних. Простая и обобщенная версии;
• Иерархический кластер анализ. Дендрограммы;

Метод главных компонент. Факторы и их поиск;

Продвинутые методы анализа;

• Нейронные сети;
• SVM и поддерживающие вектора. Кернел функции;
• Эволюционные алгоритмы – МГУА, генетические;
• Метод Bootstrap;
• Семейства прогнозирующих алгоритмов;
• «Нечеткие» классификаторы.

На курсе рассматриваются основные типы моделей, используемые для поиска закономерностей в данных: регрессионный анализ, кластеризация данных, построение простых и обобщенных деревьев решений, сокращение данных – метод главных компонент. Эти методы, входящие в научную дисциплину «Распознавания Образов» (Pattern Recognition), являются основой такой быстро развивающейся дисциплины как Business Intelligence (BI) и широко используются в бизнес-аналитике. Кратко обсуждаются идеи и методы нейронных сетей и машины поддерживающих векторов (SVM – Support Vector Machine), а также методы bootstrap построения оценок при недостаточном числе исходных данных. Обсуждаются основные понятия «нечеткого» (fuzzy) анализа данных. 
Предлагаемые алгоритмы могут быть использованы в базах данных для восстановления (предсказания) пропущенных значений.

Целью курса является знакомство слушателей с постановками задач поиска зависимостей и распознавания образов, описание математических моделей и разбор пошаговых действий (алгоритма) их решения. Здесь описаны процедуры проверки прогностической устойчивости моделей и правила определений области допустимых значений данных, поступающих для прогнозирования.

По окончании курса слушатели научатся понимать применимость основных методов анализа данных, например, при восстановлении пропущенных значений в БД и в задачах классификации и распознавания образов.