This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision | ||
courses:data_analysis_and_interpretation:exam [2019/02/27 20:34] andrey.suchkov |
courses:data_analysis_and_interpretation:exam [2019/10/14 21:43] andrey.suchkov [Перечень экзаменационных задач] |
||
---|---|---|---|
Line 1: | Line 1: | ||
====== Экзамен ====== | ====== Экзамен ====== | ||
===== Список экзаменационных вопросов ===== | ===== Список экзаменационных вопросов ===== | ||
- | - Проблема обработки данных. Матрица данных. гипотеза компактности и скрытых факторов. | + | - Проблема обработки данных. Матрица данных. Гипотеза компактности и скрытых факторов. |
- | - Структура матрицы данных и задачи обработки. Матрица объект-объект и признак-признак. Расстояние и близость. | + | - Структура матрицы данных и задачи обработки. Матрица объект-объект и признак-признак. Расстояние и близость. |
- Измерение признаков. Отношения и их представление. Основные проблемы измерений. | - Измерение признаков. Отношения и их представление. Основные проблемы измерений. | ||
- Основные типы шкал. Проблема адекватности. Классификация данных: общая постановка задачи. | - Основные типы шкал. Проблема адекватности. Классификация данных: общая постановка задачи. | ||
Line 17: | Line 17: | ||
- Кластерный анализ: общая постановка задачи, определение расстояний между объектами и кластерами, критерии кластеризации. | - Кластерный анализ: общая постановка задачи, определение расстояний между объектами и кластерами, критерии кластеризации. | ||
- Последовательная процедура итеративной оптимизации в задачах кластер-анализа. | - Последовательная процедура итеративной оптимизации в задачах кластер-анализа. | ||
- | - Параллельная процедура кластеризации. Алгоритм К-внутригрупповых средних. | + | - Параллельная процедура кластеризации. Алгоритм k-внутригрупповых средних. |
- Алгоритм автоматической классификации на основе алгоритма адаптивного выбора подклассов (АВП). | - Алгоритм автоматической классификации на основе алгоритма адаптивного выбора подклассов (АВП). | ||
- Иерархическая группировка. | - Иерархическая группировка. | ||
- Обучаемые классификаторы: детерминистский подход. Вероятность получения линейного разделения классов. | - Обучаемые классификаторы: детерминистский подход. Вероятность получения линейного разделения классов. | ||
- | - Построение линейных решающих правил персептронного типа – обучение с коррекцией ошибок. | + | - Построение линейных решающих правил персептронного типа -- обучение с коррекцией ошибок. |
- Построение линейных решающих функции методом градиентной минимизации функции качества. | - Построение линейных решающих функции методом градиентной минимизации функции качества. | ||
- Алгоритмы оценки информативности признаков. | - Алгоритмы оценки информативности признаков. | ||
Line 31: | Line 31: | ||
- Оценки общностей и вращение факторов. | - Оценки общностей и вращение факторов. | ||
- Многомерное шкалирование. | - Многомерное шкалирование. | ||
- | ==== Перечень экзаменационных задач ==== | + | ===== Перечень экзаменационных задач ===== |
- Выполнить центрирование и нормирование матрицы данных. | - Выполнить центрирование и нормирование матрицы данных. | ||
- Построить байесовское решающее правило для двух классов для нормального распределения. | - Построить байесовское решающее правило для двух классов для нормального распределения. | ||
Line 39: | Line 39: | ||
- Найти расстояние Махалонобиса для двух классов. Найти выражение для средней ошибки классификации этих классов с использованием байесовской решающей функции. | - Найти расстояние Махалонобиса для двух классов. Найти выражение для средней ошибки классификации этих классов с использованием байесовской решающей функции. | ||
- Построить решающее правило для классификации двух классов с разными матрицами ковариации. | - Построить решающее правило для классификации двух классов с разными матрицами ковариации. | ||
- | - Написать первые 3 шага персептронной процедуры обучения для классификации двух классов $X_1$, $X_2$, состоящих из векторов заданных построчно в матрицах $X_1$, $X_2$. | + | - Написать первые $n$ шагов персептронной процедуры обучения для классификации двух классов $X_1$, $X_2$, состоящих из векторов заданных построчно в матрицах $X_1$, $X_2$. |
- | - Определить расстояние между двумя кластерами $C_1$ , $C_2$ по методу ближайшего соседства. | + | - Определить расстояние между двумя кластерами $C_1$, $C_2$ по методу ближайшего соседства. |
- | - Написать два шага процедуры кластеризации по методу К-средних. | + | - Написать $n$ шагов процедуры кластеризации по методу k-средних. |
- Произвести иерархическую кластеризацию данных, заданных построчно в матрице $C$. | - Произвести иерархическую кластеризацию данных, заданных построчно в матрице $C$. | ||
- Найти выражения главных компонент для набора данных с заданной матрицей ковариации $\Sigma$. | - Найти выражения главных компонент для набора данных с заданной матрицей ковариации $\Sigma$. |