Белорусско-российского университета


НазваниеБелорусско-российского университета
страница3/21
Дата публикации14.09.2014
Размер2.83 Mb.
ТипКнига
referatdb.ru > Информатика > Книга
1   2   3   4   5   6   7   8   9   ...   21
Глава 1. Введение в интеллектуальный анализ данных SQL Server 2008

Бизнес-проблемы для интеллектуального анализа данных

Задачи интеллектуального анализа данных

Классификация

Кластеризация

Взаимосвязи

Регрессия

Прогнозирование

Анализ последовательностей

Анализ отклонений

Проектный цикл интеллектуального анализа данных

Формулирование бизнес-проблемы

Сбор данных

Очистка и преобразование данных

Создание модели

Оценка модели

Отчетность и прогнозирование

Интеграция приложения

Управление моделями

Резюме

^ Глава 2. Прикладной интеллектуальный анализ данных при помощи Microsoft Excel 2007

Настройка инструментов Table Analysis

Настройка аналитических служб с административными правами

Настройка аналитических служб без прав администратора

Подготовка к работе надстройки

Что делать, если вам нужна помощь

Инструмент Analyze Key Influences

Отчет инструмента Analyze Key Influencers

Сравнительный отчет

Резюме задачи Analyze Key Influencers

Инструмент Detect Categories

Запуск инструмента

Отчет по категориям Categories Report

Категории и количество строк в каждой

Характеристики категорий

Диаграмма профилей категорий Category Profiles Chart

Резюме по инструменту Detect Categories

Инструмент Fill From Example

Запуск инструмента и интерпретация результатов

Уточнение результатов

Резюме по инструменту Fill From Example

Инструмент прогнозирования Forecast

Запуск инструмента и указание опций

Интерпретация результатов

Резюме по инструменту Forecast

Инструмент Highlight Exceptions

Использование инструмента

Более сложные взаимодействия

Ограничения и поиск ошибок

Резюме по инструменту Highlight Exceptions

Инструмент Scenario Analysis

Инструмент Goal Seek

Использование Goal ячеек.для числовой цели

Использование инструмента Goal Seek для всей таблицы

Инструмент What-If

Использование What-If для всей таблицы

Резюме по инструменту Scenario Analysis

Инструмент Prediction Calculator

Запуск инструмента

Электронная таблица Prediction Calculator

Таблица Printable Calculator

Уточнение результатов

Использование результатов

Резюме по инструменту Prediction Calculator

Инструмент анализа потребительской корзины Shopping Basket Analysis

Использование инструмента

Отчет Bundled Item

Отчет Recommendations

Подстройка инструмента

Резюме по инструменту Shopping Basket Analysis

Технический обзор инструментов Table Analysis

Резюме

^ Глава 3. Концепции интеллектуального анализа данных и язык ВМХ

История DMX

Почему DMX?

Процесс интеллектуального анализа данных

Ключевые концепции

Атрибут

Состояние

Вариант

Ключи

Входы и выходы

Объекты DMX

Структура интеллектуального анализа

Модель интеллектуального анализа

Синтаксис запросов DMX

Создание структур интеллектуального анализа

Дискретизированные столбцы

Вложенные таблицы

Разделение на обучающий и проверочный наборы данных

Создание моделей интеллектуального анализа

Вложенные таблицы

Сложные сценарии вложения

Фильтры

Заполнение структур интеллектуального анализа

Заполнение вложенных таблиц

Запрос данных структуры

Запрос данных модели

Прогнозирование

Прогнозирующее соединение

Синтаксис прогнозирующих запросов

Вложенные исходные данные

Прогноз в реальном времени

Вырожденные прогнозы

Прогнозирующие функции

PredictNadelD

Внешние или определяемые пользователем функции

Прогнозы по вложенным таблицам

Прогноз вложенных столбцов значений

Резюме

^ Глава 4. Использование интеллектуального анализа данных SQL Server Data Mining

Представляем Business Intelligence Development Studio

Разбираемся в пользовательском интерфейсе

Режимы Offline и Immediate

Режим Immediate

Режим Offline

Переключение режимов проекта

Создание объектов интеллектуального анализа данных

Настройка источников данных

Источники данных

Создание источника данных MovieClick

Использование представления источника данных

Создание представления источника данных MovieClick

Работа с именованными вычислениями

Создание именованного вычисления для таблицы Customers

Работа с именованными запросами

Создание именованного запроса по таблице Customers

Организуем DSV

Исследование данных

Создание и редактирование моделей

Структуры и модели

Использование мастера Data Mining Wizard

Создание структуры и модели интеллектуального анализа MovieCIick

Использование визуального конструктора Data Mining Designer

Работа с редактором Mining Structure Editor

Добавление столбца Genre во вложенную таблицу Movies

Работа с редактором моделей интеллектуального анализа

Создание и модификация дополнительных моделей

Обработка

Обработка структуры интеллектуального анализа MovieCIick

Использование моделей

Разбираемся со средствами просмотра моделей

Диаграмма точности анализа Mining Accuracy Chart

Выбор проверочных данных

Разбираемся с диаграммами точности

Использование диаграммы роста прибыли

Диаграммы точности прогнозирования для множества целей

Использование матрицы классификации

Точечные диаграммы точности

Создание диаграммы точности прогнозов для MovieCIick

Использование CrossValidation

Использование построителя Mining Model Prediction Builder

Выполнение запроса для модели MovieCIick

Создание отчетов интеллектуального анализа данных

Использование SQL Server Management Studio

Разбираемся в пользовательском интерфейсе Management Studio

Использование Server Explorer

Использование Object Explorer

Использование редактора запросов Query Editor

Резюме

^ Глава 5. Реализация процесса интеллектуального анализа данных при помощи Office 2007

Представляем Data Mining Client

Импорт данных с помощью Data Mining Client

Исследование и подготовка данных

Дискретизация данных при помощи инструмента Explore Data

Обрубаем длинный хвост

Смысловая консолидация

Исключение нетипичных значений

Балансировка данных

Моделирование

Моделирование на основе задач

Введение

Выбор данных

Выбор столбцов и опций

Разбиение данных

Завершение задачи

Сложное моделирование в Data Mining Client

Точность и проверка

Использование модели

Просмотр моделей

Просмотр моделей при помощи Visio

Запросы к моделям

Мастер запросов

Функции ячеек для выполнения интеллектуального анализа

DMPREDICT.

DMPRED1CTTABLEROW

DMCONTENTQUERY

Управление моделями

Трассировка

Резюме

^ Глава 6. Алгоритм Microsoft Naive Bayes

Представляем алгоритм Naive Bayes

Использование алгоритма Naive Bayes

Создание прогнозирующей модели

Исследование данных

Анализ ключевых факторов влияния

Классификация документов

DMX

Детализация

Разбираемся с содержимым Naive Bayes

Исследование модели Naive Bayes

Dependency Network

Attribute Profiles

Attribute Characteristics

Attribute Discrimination

Разбираемся с принципами Naive Bayes

Ограничения алгоритма Naive Bayes

Параметры Naive Bayes

MAXIMUM INPUT ATTRlBUTES

MAXIMUM UTPUT ATTRIBUTES

MAXlMUM STATES

WNMUM DEPENDENCY ROBABILITY

^ Глава 7. Алгоритм Microsoft Decision Trees

Представляем деревья решений

Использование деревьев решений

Создание модели дерева решений

Запросы DMX

Модель классификации

Модель регрессии

Взаимосвязи

Содержимое модели

Интерпретация модели

Принципы деревьев решений

Базовые концепции роста дерева

Работа с множеством состояний атрибута

Как избежать переобучения

Введение предварительных знаний

Выбор функций

Использование непрерывных входов

Регрессия

Анализ взаимосвязей при помощи Microsoft Decision Trees

Параметры

COMPLEX PENALTY

MINlMUM SUPPORT.

SCORE METHOD

SPLlT METHOD

MAXIMUM INPUT JTTR1BUTES

MAXIMUMOUTPUT A7TRIBUTES

FORCE REGRESSOR

Хранимые процедуры

Резюме

^ Глава 8. Алгоритм Microsoft Time Series

Обзор

Использование

Сценарии временных рядов

Выполнение простого прогноза

Прогнозирование взаимозависимых рядов

Разбираемся с вашими временными рядами

Гипотетические сценарии

Прогнозирование новых рядов

DMX

Создание модели

Обработка модели

Прогнозирование

Возвращение дополнительной статистики

Изменяем будущее — выполняем прогноз предположения What-lf.

Прогнозирование при малом количестве данных — применение

моделей к новым данным

Детализация

Принципы временных рядов

Авторегрессия

Периодичность

Деревья авторегрессии

Прогнозирование

Параметры

M1SSING VALUE UBSTITUT10N

PERIODICITY HINT

AUTO_DETECT PER10DICITY

MINIMUM MAXIMUMJSERIESJ/ALUE

FORECAST METHOD

PREDICTlON SMOOTHING

INSTABILITY ^SENSITIVITY

HISTORICJ ODELXOUNT HISTORICJAODELJGAP

COMPLEXITYJ ENALTYhMINIMUM SVPPORT.

Содержимое модели

Резюме

^ Глава 9. Алгоритм Microsoft Clustering

Обзор

Использование кластеризации

Выполняем кластеризацию

Кластеризация как фаза анализа

Выявление аномалий при помощи кластеризации

DMX

Создание моделей

Детализация

Кластер

Cluster Probability

PredictRistogram

PredictCaseLikelihood

Содержимое модели

Разбираемся с вашими кластерными моделями

Представление о кластерах на высоком уровне

Выберите кластер и определите, чем он отличается от генеральной совокупности

Определяем, чем кластер отличается от соседних кластеров

Убедитесь, что ваши соображения правильны

Помегить кластер

Принципы кластеризации

Жесткая и мягкая кластеризация

Дискретная кластеризация

Масштабируемая кластеризация

Кластерное прогнозирование

Параметры

CLUSTERING_METHOD

CLUSTER_COUNT

MINIMUM_CLUSTER_CASES

M0DELL1NG_CARDINALITY

STOPPINGJTOLERANCE

SAMPLE_SIZE

CLUSTER_SEED

MAXIM VM_INPUT_ATTRIBUTES

MAXIM (JM_STATES

Резюме

^ Глава 10. Алгоритм Microsoft Sequence Clustering

Представляем алгоритм Microsoft Sequence Clustering

Использование алгоритма Microsoft Sequence Clustering

Создание модели кластеризации последовательностей

Запросы DMX

Выполнение кластерных прогнозов

Выполнение прогнозов последовательности

Извлечение вероятности для прогнозов последовательностей

Использование гистограммы прогнозов последовательности

Выявление необычных шаблонов последовательностей

Интерпретация модели

Диаграмма кластеров

Профили кластеров

Характеристики кластера

Дифференциация кластеров

Переходы состояний

Принципы алгоритма Microsoft Sequence Clustering

Разбираемся с цепью Маркова

Порядок цепи Маркова

Матрица переходов состояний

Кластеризация с использованием цели Маркова

Разбиение кластеров

Содержимое модели

Параметры алгоритма

CLUSTER COUm

MINIMUM SUPPORT.

MAXIMUM STATES

MAXIMUM SEQUENCE STATES

Резюме

^ Глава 11. Алгоритм взаимосвязей Microsoft Association Rules

Ведение в алгоритм Microsoft Rules

Использование алгоритма Microsoft Association Rules

Модели исследования данных.

Простой движок рекомендаций

Более сложный анализ перекрестных продаж DMX

Содержимое модели

Интерпретирование модели

Принципы алгоритма взаимосвязей

Основные термины и концепции алгоритма взаимосвязей

Набор элементов

Поддержка

Вероятность (достоверность)

Важность

Нахождение частых наборов элементов

Генерирование правил взаимосвязей

Прогнозирование

Параметры алгоритма

MINIMUM SUPPORT.

MAXIMUM SUPPORT

MINIMUM PROBABILITY

MINIMUM JMPORTANCE.

MAXIMUM JTEMSET J51ZE

MINIMUM ITEMSET SIZE

MAXIMUM JTEMSET jCOUNT

OPTIMIZED PREDICTION COUNT.

AUTODETECT MtNlMUM SUPPORT

Резюме

^ Глава 12. Алгоритмы Microsoft Neural Network и Logistic Regression

Один принцип, два алгоритма

Использование алгоритма Microsoft Neural Network

Модели классифицирования текстов

Полезные модели

Запросы DMX

Содержимое модели

Интерпретирование модели

Принципы алгоритма Microsoft Neural Network

Что такое нейронная сеть?

Комбинирование и активация

Обратное распространение, функция ошибки и сопряженные градиенты

Простой пример обработки нейронной сети

Нормализация и отображение

Топология сети

Обучение условия окончания

Нелинейно разделяемые классы

Параметры алгоритма

MAXIMUMJNPUTJJTRIBUTES

MAXIM UM_OUTPUT_A7TRIBUTES

MAXIM UM_STATES

HOLDOUT_PERCENTAGE

HOLDOUT_SEED

HIDDEN_NODE_RATIO

SAMPLE_SIZE

Резюме

^ Глава 13. Интеллектуальный анализ кубов OLAP

Представляем OLAP

Схема "звезда" и схема "снежинка"

Измерения и иерархии

Меры и группы мер

Обработка куба и его хранение

Использование упреждающего кэширования

Запросы к кубу

Выполнение вычислений

Просмотр куба

Унифицированная модель измерений

Связь между OLAP и интеллектуальным анализом данных

Интеллектуальный анализ агрегированных данных

Выявление шаблонов в OLAP

Интеллектуальный анализ ОЬАР и реляционный интеллектуальный анализ

Построение моделей анализа OLAP при помощи мастеров и редакторов

Использование мастера Data Mining Wizard

Создание модели сегментирования клиентов

Создание модели покупательской, корзины

Создание модели прогнозирования продаж

Использование конструктора Data Mining Designer

Использование интеллектуального анализа данных

Использование MDX в запросах DMX

Использование объектов управления аналитическими службами для модели анализа OLAP

Резюме

1   2   3   4   5   6   7   8   9   ...   21

Похожие рефераты:

В организационный комитет Открытой олимпиады Белорусско-Российского университета по математике

Положение о проведении открытого фестиваля «Палитра творчества»
Роо «Белая Русь», профсоюзные комитеты сотрудников и студентов Белорусско-Российского университета, по/рк оо «брсм» гу впо «Белорусско-Российский...
Белорусско-российского университета
Библиографический список литературы, поступившей в библиотеку (март 2010 г.)
Белорусско-российского университета
Библиографический список литературы, поступившей в библиотеку (апрель 2010 г.)
Белорусско-российского университета
Библиографический список литературы, поступившей в библиотеку (Январь 2012 г.)
Белорусско-российского университета
Библиографический список литературы, поступившей в библиотеку (Сентябрь 2012 г.)
Положение
Санаторий-профилакторий Белорусско-Российского университета является санаторно-курортной и оздоровительной организацией
Оргкомитет конференции
Лустенков М. Е. первый проректор Белорусско-Российского университета, канд техн наук, доц
Сценарий конкурса «Мисс Очарование 2009»
Юрий Вмкторович Машин – председатель профкома сотрудников Белорусско-Российского университета
Сценарий закрытия фестиваля
Вед. Ведь наш фестиваль «Палитра творчества» – это один из этапов празднования 50-летия Белорусско-Российского университета

Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2013
контакты
referatdb.ru
referatdb.ru
Рефераты ДатаБаза