Анализ потребительской корзины в сети ресторанов «грильница»
ВВЕДЕНИЕ
Интеллектуальный анализ данных (Data Mining) —мультидисциплинарная область, возникшая и развивающаяся на базе прикладной статистики, искусственного интеллекта, теории баз данных и др. Оригинальное англоязычное название Data Mining было предложено Григорием Пиатецким-Шапиро в 1989 году. Название происходит от двух понятий: поиска ценной информации в большой базе данных (Data) и добычи горной руды (Mining). Термин переводится как «добыча» или «раскопка» данных. Интеллектуальный анализ данных ‒ это процесс обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Data Mining представляет собой технологию, предназначенную для поиска в больших объемах данных неочевидных и полученных на практике закономерностей. К методам интеллектуального анализа данных относятся всевозможные методы классификации, моделирования и прогнозирования, основанные на применении деревьев решений, искусственных нейронных сетей, генетических алгоритмов, эволюционного программирования, ассоциативной памяти, нечеткой логики. Также методами Data Mining считаются статистические методы: дескриптивный анализ, корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ, компонентный анализ, дискриминантный анализ, анализ временных рядов. Основными задачами интеллектуального анализа данных являются:
ОГЛАВЛЕНИЕ
1. ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ 8
1.1. Задача поиска ассоциативных правил 13
1.2. Характеристики ассоциативных правил 14
1.3. Методы поиска ассоциативных правил 16
1.3.1. Алгоритм Apriori 16
1.3.2. Алгоритм AprioriSome 17
1.3.3. Алгоритм AIS 18
2. ПРИМЕНЕНИЕ МЕТОДОВ АНАЛИЗА БОЛЬШИХ ДАННЫХ И МАШИННОГО ОБУЧЕНИЯ В СЕТИ РЕСТАРАНОВ «ГРИЛЬНИЦА» 19
2.1. Применение методов ассоциативных правил 19
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 25
ПРИЛОЖЕНИЕ 27
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Agrawal R. Mining Association Rules Between Sets of Items in Large Databases. / R. Agrawal, T. Imielinski, A. Swami. // SIGMOD Conference 1993. − Р. 207-216.
Hipp J. Algorithms for association rule mining – A general survey and comparison. / J. Hipp, U. G?ntzer, G. Nakhaeizadeh. // SIGKDD Explorations. − №2(2). – 2000. – Р. 1-58.
Omiecinski E. Alternative interest measures for mining associations in databases. / E. Omiecinski. // IEEE Transactions on Knowledge and Data Engineering. – 2003. – №15(1). – Р. 57-69.
Поиск ассоциативных правил: [Электрон. ресурс]. − Режим доступа: http://wiki.auditory.ru/.
Поиск ассоциативных правил при интеллектуальном анализе данных: [Электрон. ресурс]. − Режим доступа: www.rammus.ru/products/arda/.
Области применения ассоциативных правил: [Электрон. ресурс]. − Режим доступа: www.rammus.ru/products/arda/article_review_ar_applications/.
Association rule learning: [Электрон. ресурс]. − Режим доступа: http://en.wikipedia.org/wiki/Association_rule_learning/.
Методы поиска ассоциативных правил: [Электрон. ресурс]. − Режим доступа: www.intuit.ru/department/database/datamining/15/.
Введение в анализ ассоциативных правил: [Электрон. ресурс].− Режим доступа: www.basegroup.ru/library/analysis/association_rules/intro/.
Apriori – масштабируемый алгоритм поиска ассоциативных правил: [Электрон. ресурс]. − Режим доступа: www.basegroup.ru/library/association_rule/.
Apriori: [Электрон. ресурс]. − Режим доступа: ru.wikipedia/Apriori/.
Персонализация данных: [Электрон. ресурс]. − Режим доступа: www.copy-market.ru/index.php?page...dannyh/.
Персонализация данных: [Электрон. ресурс].− Режим доступа: http://www.copy-market.ru/personalizatsiya-dannyh/.
Персонализация: [Электрон. ресурс]. − Режим доступа: www.lscorp.ru/.
Data Mining: [Электрон. ресурс]. − Режим доступа: www.int.ru/datamining/.
Для отбора определенных особей и отклонения других используется ?функция приспособленности? (fitness function). Генетические алгоритмы в первую очередь применяются для оптимизации топологии нейронных
Кластерный анализ
Подразделяет гетерогенные данные на гомогенные или полугомогенные группы. Метод позволяет классифицировать наблюдения по ряду общих признаков. Кластеризация расширяет возможности прогнозирования.
Вывод путем сопоставления (Memory-Based Reasoning, Mbr) или вывод, основанный на прецедентах (Case-Based Reasoning, Cbr)
Эти алгоритмы основаны на обнаружении некоторых аналогий в прошлом, наиболее близких к текущей ситуации, с тем, чтобы оценить неизвестное значение или предсказать возможные результаты (последствия).
Таблица 1.1 – Основные алгоритмы Data Mining