courses:data_analysis_and_interpretation:exam
Differences
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 [2019/01/10 10:59] andrey.suchkov |
courses:data_analysis_and_interpretation:exam [2022/12/10 09:08] (current) |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| ====== Экзамен ====== | ====== Экзамен ====== | ||
| + | ===== Список экзаменационных вопросов ===== | ||
| + | - 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. | ||
| + | - Измерение признаков. Отношения и их представление. Основные проблемы измерений. | ||
| + | - Основные типы шкал. Проблема адекватности. Классификация данных: общая постановка задачи. | ||
| + | - Решающие функции и основные подходы к их построению. | ||
| + | - Классификация данных как статистическая задача. | ||
| + | - Классификация в случае двух нормальных распределений с равными матрицами ковариаций. | ||
| + | - Примеры построения решающих функции для нормальных распределений с равными диагональными матрицами ковариаций. | ||
| + | - Ошибки классификации для случая двух нормальных распределений с равными матрицами ковариаций. | ||
| + | - Апостриорная вероятность отнесения данных к классу (на основе теоремы Байеса) для случая многомерных нормальных распределений. | ||
| + | - Классификация при количестве классов больше двух (нормальное распределение с равными матрицами ковариаций). | ||
| + | - Классификация для случая двух нормальных распределений с разными матрицами ковариаций. | ||
| + | - Линейный дискриминант Фишера. | ||
| + | - Пошаговый дискриминантный анализ. | ||
| + | - Кластерный анализ: общая постановка задачи, определение расстояний между объектами и кластерами, критерии кластеризации. | ||
| + | - Последовательная процедура итеративной оптимизации в задачах кластер-анализа. | ||
| + | - Параллельная процедура кластеризации. Алгоритм k-внутригрупповых средних. | ||
| + | - Алгоритм автоматической классификации на основе алгоритма адаптивного выбора подклассов (АВП). | ||
| + | - Иерархическая группировка. | ||
| + | - Обучаемые классификаторы: детерминистский подход. Вероятность получения линейного разделения классов. | ||
| + | - Построение линейных решающих правил персептронного типа -- обучение с коррекцией ошибок. | ||
| + | - Построение линейных решающих функции методом градиентной минимизации функции качества. | ||
| + | - Алгоритмы оценки информативности признаков. | ||
| + | - Метод главных компонент для выбора признаков. | ||
| + | - Факторный анализ: общая модель. | ||
| + | - Структура факторных уравнений. Неоднозначность факторного решения. Метод главных факторов. | ||
| + | - Метод центроидных факторов. | ||
| + | - Проблема оценки значений факторов и виды факторных моделей. | ||
| + | - Оценки общностей и вращение факторов. | ||
| + | - Многомерное шкалирование. | ||
| + | ===== Перечень экзаменационных задач ===== | ||
| + | - Выполнить центрирование и нормирование матрицы данных. | ||
| + | - Построить байесовское решающее правило для двух классов для нормального распределения. | ||
| + | - Построить решающее правило для классификации двух классов на основе апостериорных вероятностей. | ||
| + | - Найти уравнение линии равной плотности вероятностей $f(x) = C$, для двумерного нормального распределения. | ||
| + | - Построить решающую функцию для классификации 2-х нормальных классов | ||
| + | - 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. | ||
| + | - 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. | ||
| + | - Написать $n$ шагов процедуры кластеризации по методу k-средних. | ||
| + | - Произвести иерархическую кластеризацию данных, заданных построчно в матрице $C$. | ||
| + | - Найти выражения главных компонент для набора данных с заданной матрицей ковариации $\Sigma$. | ||
courses/data_analysis_and_interpretation/exam.1547117984.txt.gz · Last modified: 2022/12/10 09:08 (external edit)
Except where otherwise noted, content on this wiki is licensed under the following license: CC Attribution-Share Alike 4.0 International
