МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ

Федеральное государственное бюджетное образовательное учреждение  высшего образования

«ДАГЕСТАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

Информатики и информационных технологий

 

 

 

 

ЛАБОРАТОРНЫЙ ПРАКТИКУМ

 

Для бакалавров 2-го курса по направлению

«Прикладная информатика в экономике»

по дисциплине

АНАЛИТИЧЕСКИЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

 

Кафедра Информационных технологий и моделирования экономических процессов 

факультет Информатики и информационных технологий

       

 

Разработчик: к.э.н., доцент кафедры ИТиМЭП Рабаданова Р.М.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Оглавление

ЛАБОРАТОРНЫЕ РАБОТЫ  ПО ИЗУЧЕНИЮ ВОЗМОЖНОСТЕЙ АНАЛИТИЧЕСКОЙ ПЛАТФОРМЫ... 2

«DEDUCTOR». 2

Лабораторная работа №1. Знакомство с АП «Deductor. 2

Лабораторная работа №2. Реализация алгоритма построения. 6

дерева решений. 6

Лабораторная работа №3. Логистическая регрессия и ROC-анализ. 14

Лабораторная работа №4. Применение алгоритма кластеризации: самоорганизующиеся карты Кохонена. 22

ЛАБОРАТОРНЫЕ  РАБОТЫ ПО ИЗУЧЕНИЮ ИАС «СЕМАНТИЧЕСКИЙ АРХИВ». 27

Лабораторная работа №1. «Сценарий работы пользователя с модулем поиска «Искатель»  27

Лабораторная работа №2. Добавление данных в базы данных. 36

Лабораторная работа №3. Работа в витрине  «Сквозного поиска». 42

Лабораторная работа №4. Перенос данных из АРМ... 52

«Оператор» в «Аналитик». 52

Лабораторная работа №5. Построение семантических сетей. 58

 

 

 

ЛАБОРАТОРНЫЕ РАБОТЫ  ПО ИЗУЧЕНИЮ ВОЗМОЖНОСТЕЙ АНАЛИТИЧЕСКОЙ ПЛАТФОРМЫ

«DEDUCTOR»

 

Лабораторная работа №1. Знакомство с АП «Deductor

 

1.1.   Основная цель

 

Целью выполнения данной лабораторной работы является:

-       получение     первоначальных     сведений     о     возможностях аналитической платформы;

-       изучение основных модулей; работа с мастерами импорта, экспорта, обработки и визуализации данных.

 

1.2.   Теоретическая часть

 

АП «Deductor» применима для решения большого спектра задач, таких как создание аналитической отчетности, прогнозирование, поиск закономерностей и пр. Можно сказать, что данная система применима в задачах, где требуется консолидация и отображение данных различными способами, построение моделей и последующее применение полученных  моделей к новым данным.

Рассмотрим некоторые задачи,  решаемые АП:

-  Системы корпоративной отчетности. Готовое хранилище данных и гибкие механизмы предобработки, очистки, загрузки, визуализации позволяют быстро создавать законченные системы отчетности в сжатые сроки.

-  Обработка нерегламентированных запросов. Конечный пользователь может с легкостью получить ответ на вопросы типа "Сколько было продаж товара по группам  в Московскую  область   за


прошлый год с разбивкой по месяцам?" и просмотреть результаты наиболее удобным для него способом.

-  Анализ тенденций и закономерностей, планирование, ранжирование. Простота использования и интуитивно понятная модель данных позволяет вам проводить анализ по принципу «Что, если...?», соотносить ваши гипотезы со сведениями, хранящимися в базе данных, находить аномальные значения, оценивать последствия принятия бизнес-решений.

-  Прогнозирование. Построив модель на исторических примерах, вы можете использовать ее для прогнозирования ситуации в будущем. По мере изменения ситуации нет необходимости перестраивать все, необходимо всего лишь дообучить модель.

-  Управление рисками. Реализованные в системе алгоритмы дают возможность достаточно точно определиться с тем, какие характеристики объектов и как влияют на риски, благодаря чему можно прогнозировать наступление рискового события и заблаговременно принимать необходимые меры к снижению размера возможных неблагоприятных последствий.

-  Анализ данных маркетинговых и социологических исследований. Анализируя сведения о потребителях, можно определить, кто  является вашим клиентом и почему. Как изменяются их пристрастия в зависимости от возраста, образования, социального положения, материального состояния и множества других показателей. Понимание этого будет способствовать правильному позиционированию ваших продуктов и стимулированию продаж.

-  Диагностика. Механизмы анализа, имеющиеся в системе Deductor, с успехом применяются в медицинской диагностике и диагностике сложного оборудования. Например, можно построить модель на основе сведений об отказах. При ее помощи быстро локализовать проблемы и находить причины сбоев.

-  Обнаружение объектов на основе нечетких критериев. Часто встречается ситуация, когда необходимо обнаружить объект, основываясь не на таких четких критериях, как стоимость, технические характеристики продукта, а на размытых  формулировках, например, найти продукты, похожие на ваши с точки зрения потребителя.

 

1.3.      Практическая часть

 

После запуска «Deductor Studio Academic» появится главное окно программы.


Главное окно после запуска программы Deductor Studio

 

Для начала работы необходимо создать новый сценарий, воспользуемся для этого мастером импорта (кнопка  в левой части главного окна либо клавиша F6).

Импорт данных включает в себя:

-       выбор типа источника данных;

-       выбор файла источника данных;

-       указание параметров импорта;

-       указание параметров столбцов;

-       выбор      способа      отображения      данных      (при      выборе

«Диаграммы», «Гистограммы» или «OLAP-куба» потребуется дополнительно указать параметры построения);

-       указание имени, метки и описания данных.

Выполнив вышеуказанные действия по импорту данных, на панели «Сценарии» мы получим новый узел, с заданными именем, меткой и описанием.


 

Пример создания сценария, вкладка «Статистика»

 

Изучим  возможности  мастера  обработки  (кнопка    в левой части главного окна либо клавиша F7). После запуска мастера обработки появится список возможных способов обработки данных.

Список доступных способов обработки данных


Все способы разделены на четыре основные группы: очистка данных, трансформация данных, Data Mining, пр. Каждый способ обработки имеет название и краткое описание.  Выбор  способа зависит от целей обработки данных (например, сортировка и фильтрация данных, построение дерева решений и пр.).

Мастер визуализации позволяет определить способ отображения данных, указать метки и добавить описание к проекту. Запустить его можно с помощью кнопки  либо клавишей F5.

Готовый проект можно экспортировать, воспользовавшись мастером экспорта   (кнопка   основного окна либо клавиша F8). Указав параметры, проект можно перенести в один из доступных форматов.

 

1.4.   Задание

 

1.    Опишите назначение и возможности АП «Deductor».

2.    Запустите     программу          «Deductor     Studio     Academic», ознакомьтесь с назначением кнопок и контекстным меню главного окна программы.

3.    Воспользуйтесь мастером импорта данных (импортируйте любой файл, например из C:\Program Files\ BaseGroup\ Deductor\ Samples\ *.txt ).

4.    Ознакомьтесь с доступными способами обработки данных.

5.    Изучите возможности мастера визуализации и  экспорта. Какие параметры доступны для мастера экспорта данных?

6.    Создайте отчет.

 

Лабораторная работа №2. Реализация алгоритма построения

дерева решений

 

2.1.   Основная цель

 

Изучить алгоритм «Построение дерева решений» и научиться обрабатывать с его помощью данные.

 

2.2.   Теоретическая часть

 

Своевременная разработка и принятие правильного решения - это одна     из     главных     задач     работы     управленческого  персонала


организации, т.к. необдуманное решение может дорого обойтись компании. Зачастую на практике результат одного  решения заставляет нас принимать следующее решение и т. д. Когда же нужно принять несколько решений в условиях неопределенности, когда каждое решение зависит от исхода предыдущего, то применяют  схему, называемую деревом решений.

Дерево решений это графическое изображение процесса  принятия решений, в котором отражены альтернативные решения, соответствующие вероятности, и выигрыши для любых комбинаций альтернатив.

Дерево решений представляет один из способов разбиения множества данных на классы или категории. Корень дерева неявно содержит все классифицируемые данные, а листья определенные классы после выполнения классификации. Промежуточные узлы дерева представляют пункты принятия решения о выборе.


Структура дерева решений

 

Построение дерева решений

 

Пусть нам задано некоторое обучающее множество T, содержащее объекты, каждый из которых характеризуется m атрибутами, причем один из них указывает на принадлежность объекта к определенному классу.

Пусть через {C1, C2, ... Ck} обозначены классы, тогда существуют 3 ситуации:

-   множество T содержит один или более примеров, относящихся к одному классу Ck. Тогда дерево решений для Т – это лист, определяющий класс Ck;


-   множество T не содержит ни одного примера, т.е. пустое множество. Тогда это снова лист, и класс, ассоциированный с листом, выбирается из другого множества отличного от T, скажем, из множества, ассоциированного с родителем;

-   множество T содержит примеры, относящиеся к разным классам. В этом случае следует разбить множество T на некоторые подмножества. Для этого выбирается один из признаков, имеющий два и более отличных друг от друга значений O1, O2, ... On. T разбивается на подмножества T1, T2, ... Tn, где каждое подмножество  Ti содержит все примеры, имеющие значение Oi для выбранного признака. Эта процедура будет рекурсивно продолжаться до тех пор, пока конечное множество не будет состоять из примеров, относящихся к одному и тому же классу.

Вышеописанная процедура лежит в основе многих современных алгоритмов построения дерева решений, этот метод известен еще под названием «разделение и захват». Очевидно, что при использовании данной методики построение дерева решений будет происходить сверху вниз.

 

Области применения дерева решений

 

Дерево решений является прекрасным инструментом в системах поддержки принятия решений, интеллектуального анализа данных (Data Mining). В областях, где высока цена ошибки, они послужат отличным подспорьем аналитика или руководителя.

Дерево решений успешно применяется для решения практических задач в следующих областях:

-       Банковское дело. Оценка кредитоспособности клиентов банка при выдаче кредитов.

-       Промышленность. Контроль качества продукции (выявление дефектов), испытания без разрушений (например, проверка качества сварки) и т.д.

-       Медицина. Диагностика различных заболеваний.

-       Молекулярная биология. Анализ строения аминокислот.

Это далеко не полный список областей, где можно использовать дерево решений, т.к. еще многие потенциальные области применения не исследованы.


2.3.   Практическая часть

 

Для загрузки данных примера импортируйте файл C:\Program Files\BaseGroup\Deductor\Samples\CreditSample.txt в АП «Deductor» с помощью мастера импорта. Все параметры импорта примите установленными по умолчанию. В окне выбора способа отображения данных выберите «Таблица», если он не выбран по умолчанию.

В результате в основном окне появится таблица, заполненная из указанного файла.


Итог импорта данных

 

Запустите мастер обработки данных. В появившемся окне в разделе Data Mining выберете метод обработки «Дерево решений» и нажмите «Далее».


Мастер обработки данных

 

На вкладке «Настройка значения столбцов» необходимо задать назначения столбцов данных. Почти все столбцы автоматически получили значение «Входные». Значение поля «Выдать кредит», которое принимает только два значения «Да» или «Нет», необходимо установить  в  «Выходное».  Также  необходимо  обозначить  столбцы

«Код» и «№ паспорта» как «Неиспользуемые» (так как значения этих столбцов уникальны, а это не позволит их классифицировать).


Окно настройки назначений столбцов

 

Далее следует окно настройки разбиения исходного множества данных на подмножества. Оставьте это окно без изменений и  нажмите кнопку «Далее».

Следующий этап – настройка параметров обучения дерева решений. Необходимо учитывать, что чем больше  значение параметра «Уровень доверия, используемый при отсечении узлов дерева», тем больше будет дерево решений в итоге.

С помощью кнопки «Пуск» запускаем процесс построения дерева решений. По окончании процесса вы увидите график, отображающий уровень распознавания данных, количество узлов созданного дерева и правил, полученных в результате обработки.


Процесс построения дерева решений

 

В последующем окне выбора способа отображения данных выберите «Дерево решений». А в последнем окне  мастера обработки, по желанию,  укажите имя и метку.

Результатом всех вышеописанных действий будет построенное дерево решений, которое отобразится в основном окне программы. На основании этого метода можно ответить на вопрос «Давать ли человеку кредит и если да, то при каких условиях».


Готовое дерево решений

 

Из полученного дерева можно вывести правила выдачи кредитов.

Например:

-       Если срок проживания в данной местности меньше 6,5 лет, то кредит не давать.

-       Если срок проживания в данной местности больше 6,5 лет, займ обеспечен, возраст больше 20,5  лет, не имеется недвижимость, но имеется банковский счет, то кредит давать.

 

2.4.   Задание

 

1.    Постройте дерево решения для описанного выше примера. Попробуйте использовать различные значения параметров обучения дерева решения и сравните полученные деревья.

2.    Выведите 5 правил из построенного дерева решений.

3.    Приведите 4-5 примеров, для которых можно использовать метод обработки дерево решений, реализуйте один из них.

4.    Составьте отчет.


Лабораторная работа №3. Логистическая регрессия и ROC-анализ

 

3.1.   Основная цель

 

Научиться обрабатывать данные и прогнозировать события, используя возможности логистической регрессии и ROC-анализ.

 

3.2.   Теоретическая часть

 

Логистическая регрессия — метод построения линейного классификатора, позволяющий оценивать апостериорные вероятности принадлежности объектов классам.

Вообще, регрессионная модель предназначена для решения задач предсказания значения непрерывной зависимой переменной, при условии, что эта зависимая переменная может принимать значения на интервале от 0 до 1. В силу такой специфики ее часто используют для предсказания вероятности наступления некоторого события в зависимости от значений некоторого числа предикторов.

При изучении линейной регрессии мы исследуем модели вида

y = a + b1 x1  + b2 x2  +... + bn xn .

Здесь зависимая переменная y является непрерывной, и мы определяем набор независимых переменных xi и коэффициенты при них bi, которые позволили бы нам предсказывать среднее значение y с учетом наблюдаемой ее изменчивости.

Во многих ситуациях, однако, y не является непрерывной величиной, а принимает всего два возможных значения. Обычно единицей в этом случае представляют осуществление какого-либо события (успех), а нулем - отсутствие его реализации (неуспех).

Среднее значение y - обозначенное через p, есть доля случаев, в которых y принимает значение 1. Математически это можно записать как p = P(y = 1) или p = P("Успех").

ROC-кривая или кривая ошибок - показывает зависимость количества верно классифицированных положительных объектов (по оси y) от количества неверно классифицированных отрицательных объектов (по оси x).

В терминологии ROC - анализа первые называются истинно положительным, вторые – ложно отрицательным множеством. При этом   предполагается,   что   у   классификатора   имеется   некоторый


параметр, варьируя который, мы будем получать то или иное разбиение на два класса. Этот параметр часто называют порогом, или точкой отсечения. В зависимости от него будут получаться различные величины ошибок I и II рода.

В логистической регрессии порог отсечения изменяется от 0 до  1

   это и есть расчетное значение уравнения регрессии. Будем называть его рейтингом.

Введём ещё несколько определений:

TP (True Positives) – верно классифицированные положительные примеры (так называемые истинно положительные случаи);

TN (True Negatives) – верно классифицированные отрицательные примеры (истинно отрицательные случаи);

FN (False Negatives) – положительные примеры, классифицированные как отрицательные (ошибка I рода). Это так называемый «ложный пропуск» – когда интересующее нас событие ошибочно не обнаруживается (ложно отрицательные примеры);

FP (False Positives) – отрицательные примеры, классифицированные как положительные (ошибка II рода). Это ложное обнаружение, т.к. при отсутствии события ошибочно выносится решение о его присутствии (ложно положительные случаи).

Что является положительным событием, а что – отрицательным, зависит от конкретной задачи. Например, если мы прогнозируем вероятность наличия заболевания, то положительным исходом будет класс «Больной пациент», отрицательным – «Здоровый пациент». И наоборот, если мы хотим определить вероятность того, что человек здоров, то положительным исходом будет класс «Здоровый пациент», и так далее.

При анализе чаще оперируют не абсолютными показателями, а относительными – долями, выраженными в процентах:

Доля истинно положительных примеров (True Positives Rate):


TPR =


TP TP + FN


×100 %


Доля ложно положительных примеров (False Positives Rate):


FPR =


FP TN + FP


×100  %


Введем еще два определения: чувствительность и  специфичность

модели. Ими определяется объективная ценность любого бинарного классификатора.


Чувствительность (Sensitivity) – доля истинно положительных случаев:


Se = TPR =


TP TP + FN


×100 %


Специфичность   (Specificity)      доля   истинно   отрицательных

случаев, которые были правильно идентифицированы моделью:


Sp =


TN TN + FP


×100 %


Модель   с   высокой   чувствительностью   часто   дает истинный

результат при наличии положительного исхода (обнаруживает положительные примеры). Наоборот, модель с высокой специфичностью чаще дает истинный результат при наличии отрицательного исхода (обнаруживает отрицательные примеры).

ROC-кривая получается следующим образом:

1.   Для каждого значения порога отсечения, которое меняется от 0 до 1 с шагом dx (например, 0,01), рассчитываются значения чувствительности Se и специфичности Sp. В качестве альтернативы порогом может являться каждое последующее значение примера в выборке.

2.         Строится график зависимости: по оси y откладывается чувствительность Se, по оси x – (100 %Sp) (сто процентов минус специфичность), или, что то же самое, FPR – доля ложно положительных случаев.

Численный показатель площади под кривой называется AUC (Area Under Curve). С большими допущениями можно считать, что чем больше показатель AUC, тем лучшей прогностической силой обладает модель. Однако следует знать, что:

-       показатель AUC предназначен скорее для сравнительного анализа нескольких моделей;

-       AUC не содержит никакой информации о чувствительности и специфичности модели.

В литературе иногда приводится следующая экспертная шкала для значений AUC, по которой можно судить о качестве модели:

-   отличное качество модели – интервал AUC 0,9-1,0;

-   очень хорошее качество модели – интервал AUC 0,8-0,9;

-   хорошее качество модели – интервал AUC 0,7-0,8;

-   среднее качество модели – интервал AUC 0,6-0,7;

-   неудовлетворительное качество модели – интервал AUC 0,5-0,6.


Идеальная модель обладает 100 % чувствительностью и специфичностью. Однако на практике добиться этого невозможно, более того, невозможно одновременно повысить и чувствительность, и специфичность модели. Компромисс находится с помощью порога отсечения, т.к. пороговое значение влияет на соотношение Se и Sp. Можно говорить о задаче нахождения оптимального  порога отсечения.

 

3.3.   Практическая часть

 

Используя  мастер  импорта  и  файл    с  данными,     например, C:\ProgramFiles\BaseGroup\Deductor\Samples\CreditSample.txt, создайте новый сценарий и импортируйте данные.

В       мастере      обработки       выберите      способ      обработки

«Логистическая регрессия».


Выбор метода «Логистическая регрессия»

 

Прежде чем начнется обработка данных, необходимо провести нормализацию полей и настроить обучающую выборку.

Нормализация полей проводится с цель преобразования данных к виду, подходящему для обработки средствами АП «Deductor». Например, при построении нейронной сети, линейной модели прогнозирования или  самоорганизующихся карт «Входящие» данные


должны иметь числовой тип (т.е. непрерывный характер), а их значения должны быть распределены в определенном диапазоне. В этом случае при нормализации дискретные данные преобразуются в набор непрерывных значений.

Настройка нормализации полей вызывается с помощью    кнопки

«Настройка нормализации» в нижней левой части окна «Настройка назначения столбцов».


Вызов окна настройки нормализации

 

В окне «Настройка нормализации данных» слева приведен полный список входных и выходных полей. При этом каждое поле помечено значком, обозначающим вид нормализации:

-            линейная - линейная нормализация исходных значений;

-            уникальные значения - преобразование уникальных  значений в их индексы;

-            битовая маска - преобразование дискретных значений в битовую маску.

В правой части окна для выделенного поля отображаются параметры нормализации.


Окно настройки нормализации данных

 

Для числовых (непрерывных) полей с линейной нормализацией дополнительные   параметры   недоступны.   В   полях   «Минимум»  и

«Максимум»    секции    «Диапазон   значений»    можно    посмотреть минимальное и максимальное значения этого поля.

Для дискретных полей могут быть использованы два вида нормализации - уникальные значения и битовая маска.

Если дискретные значения преобразуются в битовую маску (т.е. каждому уникальному значению ставится в соответствие уникальная битовая комбинация), то возможны два способа такого преобразования, выбираемые из списка «Способ кодирования»:

1.     Позиция бита - поле в этом случае представляется в виде n битов, где n - число уникальных значений в поле. Каждый бит соответствует одному значению. В 1 устанавливается только бит, соответствующий текущему значению, принимаемому полем, все остальные биты равны 0. Этот способ кодирования используется при малом числе уникальных значений.

2.     Комбинация битов - каждому уникальному значению соответствует своя комбинация битов в двоичном виде.

Настройка обучающей выборки - разбиение обучающей выборки на два множества - обучающее и тестовое - для построения линейной модели.


Пример настройки обучающей выборки

 

Обучающее множество - включает записи, которые будут использоваться в качестве входных данных, а также соответствующие желаемые выходные значения.

Тестовое множество - также включает записи, содержащие входные и желаемые выходные значения, но используемое не для обучения модели, а для проверки его результатов.

Примечание. Oбучение может с большой долей вероятности считаться успешным, если процент распознанных примеров на обучающем и тестовом множествах достаточно велик.

Следующий этап – настройка параметров остановки обучения, которая включает определение максимального числа итераций (заданная точность), задание функции правдоподобия, порога отсечения и допустимость ошибки.


Настройка параметров остановки обучения

 

Итогом проведения регрессионного анализа будет построенная ROC-кривая.

 

3.4.   Задание

 

1.   С помощью мастера импорта откройте файл (например, C:\ProgramFiles\BaseGroup\Deductor\Samples\ CreditSample.txt).

2.     В мастере обработки выберите «Логистическая регрессия».

3.     Проведите настройку нормализации полей.

4.     Настройте обучающую выборку.

5.     Проанализируйте полученные данные.

6.     Создайте отчет.


Лабораторная работа №4. Применение алгоритма кластеризации: самоорганизующиеся карты Кохонена

 

4.1.   Основная цель

 

Научиться        использовать        метод        обработки        данных

«Самоорганизующиеся карты Кохонена».

 

Импортируйте в АП «Deductor» исходные данные из файла C:\Program\Files\BaseGroup\Deductor\Samples\CreditSample.txt.

Процесс построения карты Кохонена состоит из 10 этапов. Далее рассмотрим эти этапы подробнее.

Затем запустите мастер обработки, в котором в разделе «Data Mining» выберете способ обработки данных «Карта Кохонена», нажмите «Далее».

В окне настройки назначения столбцов необходимо обозначить столбцы «Код» и «№ паспорта» как «Неиспользуемые» (так как значения этих столбцов уникальны, а это не позволит их классифицировать по общим признакам). Определите поле «Давать кредит» как «Выходное».

Пример настройки назначений столбцов

 

Настройку обучающей выборки и параметров карты Кохонена можно оставить без изменений.


Настройка параметров карты Кохонена

 

Настройте    параметры   остановки   обучения,    указав    уровень допустимой  погрешности,  если  он  будет  превышен, анализ данного


множества    будет    прекращен.    Можно    оставить    значения    «по умолчанию».


Настройка параметров остановки обучения

 

Настройку параметров обучения также оставьте без изменений.

Далее запустите процесс построения карты Кохонена, нажав кнопку «Пуск».


Итог построения карты Кохонена


На вкладке «Выбор способа отображения данных» поставьте галочку напротив пункта «Самоорганизующаяся карта Кохонена».

Теперь необходимо провести настройку отображения карты: отметьте разделы «Давать кредит» и «Кластеры» и другие разделы по желанию.


Настройка отображений карты Кохонена

 

Далее задайте имя, метку и описание карты (по желанию).

 

В результате получатся карты Кохонена, подобные изображенным на рисунке.


Примеры карт Кохонена

Щелкнув левой клавишей мыши по любому шестиугольнику на любой карте, выделятся соответствующие ему ячейки на остальных картах, в том числе на картах «Давать кредит» и «Кластеры». При этом на шкалах в нижней части карт отобразятся значения соответствующих параметров.

 

4.2.   Задание

 

1.    Выполните описанные выше действия по построению карт Кохонена. Проанализируйте результаты, что можно сказать о вероятности  возврата кредита для групп 2, 3 и 4?

2.    Используя различные отображения карты Кохонена, постройте 3-4 правила выдачи кредитов.

3.    Ответьте на вопросы:

-      для чего используются карты Кохонена?

-      по какому принципу происходит перенос многомерного пространства на пространство меньшей размерности?

4.    Подготовьте отчет.


ЛАБОРАТОРНЫЕ  РАБОТЫ ПО ИЗУЧЕНИЮ ИАС «СЕМАНТИЧЕСКИЙ АРХИВ»

 

 

Лабораторная работа №1. «Сценарий работы пользователя с модулем поиска «Искатель»

 

 

1.1.   Основная цель

 

Научиться работать с модулем поиска «Искатель», создавать автоматические задания, изучить язык запросов модуля.

 

1.2.   Пояснения к выполнению работы

 

Прежде чем приступить к поиску информации, необходимо определить рамки исследуемой области, поставить конкретные цели исследования и сформулировать вопросы. Естественно, что не важной информации нет, и заранее не известно, в какой из исследуемых областей будет найден ответ. Но поиск во всех областях сразу приведет к накоплению лишней информации, не касающейся исследования. Только заранее установленные рамки помогут  наиболее эффективно спланировать процесс поиска.

Рассмотрим основные функции «Семантического архива»:

-         автоматический сбор тематической информации из сети Интернет;

-         автоматическое создание базы текстовых документов;

-         обработка тематических запросов к поисковым  сайтам (Yandex, Google и др.).


Элементы окна модуля «Искатель».


Рабочее окно программы «Искатель»:

1 – меню модуля; 2 – выбор поиска в Google; 3 – выбор поиска в Yandex;

4 – строка ввода поискового запроса; 5 – исключать пустые ссылки; 6 – показывать пустые ссылки; 7 – показывать фрагмент строки, где найден поисковый запрос; 8 -  показывать весь текст Интернет-

-страницы; 9 – загрузить запрос из файла; 10 – сохранить найденные результаты в файл; 11 - сохранить найденные результаты в базу; 12 - настройка модуля; 13 - вызов справки; 14 - выполнить поиск;

15 - остановить поиск; 16 - список ключевых выражений; 17 - сохранить внесенные изменения в текст статьи; 18 - вырезать из текста

выделенный фрагмент; 19 - копировать выделенный фрагмент текста; 20 - вставить из буфера обмена в текст; 21 - поиск/подсветка

выражений в тексте статьи

 

Элементы меню «Файл».