139.00K

Модуль2(4) (2018)

1.

Теми домашньої роботи

2.

Група УС-311
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Методи найближчого сусіда і К-найближчого сусіда
Методи класифікації
Байєсовські мережі
Нейронечіткі системи
Методи Data Mining
Ієрархічні методи кластерного аналізу
Метод опорних векторів
Методи прогнозування
Методи пошуку асоціаційних правил
Кореляційно-регресійний аналіз
Штучні нейронні мережі
Методи штучного інтелекту
Дерева прийняття рішень, символьні правила
Методи візуалізації даних
Лінійна регресія
Еволюційне програмування і генетичні алгоритми
Методи пошуку шаблонів даних
Методи багатомірного розвідувального аналізу
Стандарти та інструменти Data Mining
Неієрархічні методи кластерного аналізу
Метод обмеженого перебору

3.

Група УС-312
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Методи багатомірного розвідувального аналізу
Методи пошуку асоціаційних правил
Нейронечіткі системи
Методи Data Mining
Кластеризація даних за допомогою нечітких відношень
Лінійна регресія
Штучні нейронні мережі
Метод обмеженого перебору
Методи найближчого сусіда і К-найближчого сусіда
Стандарти та інструменти Data Mining
Методи пошуку шаблонів даних
Метод опорних векторів
Методи візуалізації даних
Методи штучного інтелекту
Байєсовські мережі
Методи використання навчальної інформації
Еволюційне програмування і генетичні алгоритми
Кореляційно-регресійний аналіз
Методи класифікації
Дерева прийняття рішень, символьні правила

4.

Група ТП-313
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Ієрархічні методи кластерного аналізу
Кластеризація даних за допомогою нечітких відношень
Методи пошуку асоціаційних правил
Методи візуалізації даних
Методи найближчого сусіда і К-найближчого сусіда
Метод обмеженого перебору
Методи багатомірного розвідувального аналізу
Неієрархічні методи кластерного аналізу
Еволюційне програмування і генетичні алгоритми
Дерева прийняття рішень, символьні правила
Методи класифікації
Кореляційно-регресійний аналіз
Лінійна регресія
Методи штучного інтелекту
Штучні нейронні мережі
Методи прогнозування
Методи пошуку шаблонів даних
Методи Data Mining
Метод опорних векторів
Методи використання навчальної інформації
Нейронечіткі системи
Байєсовські мережі
Стандарти та інструменти Data Mining

5.

Требования к содержанию и
оформлению работы
1) Объем 10 (минимум) 15 (максимум) страниц текста в MS Word.
2) Оформление текста – формат листа А4, книжный, отступы - слева 3.0, справа 2.0, сверху 2.0, снизу 2.0,
шрифт Times New Roman, размер 14, интервал между строк - одинарный, выравнивание текста по
ширине листа, нумерация страниц снизу, по центру, начиная со стр. 3 (титульный лист и лист с
аннотацией не нумеровать).
3) Язык контрольной работы: украинский / русский.
4) Содержание и ключевые составляющие работы «полистно» (при объеме в 15 стр.) (далее идет
ПРИМЕР!!!, разбиение по листам с 4 по 13 стр. относительное и необязательное в указанных
пределах).
Лист 1 – Титульный (1 стр.) - содержит название вуза, институт, учебная группа, название реферата, ФИО
автора, дата выполнения работы.
Лист 2 – Аннотация (1 стр.) - это краткое описание содержания работы.
Лист 3 – Введение (1 стр.) - содержит основные проблемы в рассматриваемой области и существующие
подходы к их решению, а также сформулированную цель работы и пояснение - зачем, собственно,
выполнена данная работа.
Листы 4-10 – Основная часть может состоять из нескольких разделов со своими названиями,
отображающими авторский подход к работе. Ссылки на источники или сноски - обязательны!
Листы 11-13 – Пример одного из рассматриваемых методов в основной части. Так как основная часть
предусматривает рассмотрение нескольких методов, алгоритмов или подходов, то необходимо
показать на примере один из них.
Лист 14 – Заключение (1 стр.) - подвести итог всем содержательным моментам контрольной работы.
Лист 15 – Литература (1 стр.) - перечислить список использованной литературы и адреса использованных
страниц сайтов в Интернет (5-10 наименований).
English     Русский Правила