| Гамбия |
Инспектор
Спонсор: Microsoft
Вы можете этот курс.
Опубликован: 06.03.2012 | Уровень: специалист | Доступ: платный | ВУЗ: Санкт-Петербургский государственный политехнический университет
Курс посвящен использованию технологии интеллектуального анализа данных (Data Mining) и ее реализации в Microsoft SQL Server 2008 и связанных программных продуктах.
Рассматриваются все алгоритмы DM, поддерживаемые Microsoft SQL Server 2008, надстройки интеллектуального анализа данных для Microsoft Office, основы языка DMX.
Microsoft DreamSpark
Бесплатные лицензионные инструменты разработки и дизайна для школьников, студентов, аспирантов и преподавателей.
Специальное предложение для студентов НОУ «ИНТУИТ».
...еще >>План занятий
| Занятие | Заголовок << | Дата изучения |
|---|---|---|
| - | ||
Лекция 115 минут | Интеллектуальный анализ данных: базовые понятия
В лекции рассматривается понятие "интеллектуальный анализ данных", описываются основные задачи интеллектуального анализа и приводятся примеры использования в разных отраслях деятельности.
Оглавление | - |
Лекция 216 минут | Интеллектуальный анализ данных в СУБД MicrosoftSQLServer
В лекции рассматривается архитектура СУБД Microsoft SQL Server, место занимаемое в ней аналитическими службами, а также способы их взаимодействия с внешними приложениями. Приводится перечень алгоритмов интеллектуального анализа, входящих в поставку SQL Server 2008 и описываются имеющиеся различия между версиями СУБД.
Оглавление | - |
Лекция 310 минут | Этапы проведения интеллектуального анализа данных
В лекции рассматривается предлагаемая Майкрософт последовательность этапов решения задачи интеллектуального анализа данных.
Оглавление | - |
Самостоятельная работа 114 минут | Надстройки интеллектуального анализа данных для MicrosoftOffice
В ходе данной лабораторной работы будет рассмотрен процесс установки пакета надстроек интеллектуального анализа данных для MicrosoftOffice 2007 и начального конфигурирования MicrosoftSQLServer 2008 (2008 R2).
Оглавление | - |
Самостоятельная работа 218 минут | Использование инструментов "AnalyzeKeyInfluencers" и "DetectCategories"
В ходе данной лабораторной работы будет рассмотрено использование инструментов "Анализ ключевых факторов влияния" ("AnalyzeKeyInfluencers") и "Обнаружение категорий" ("DetectCategories"), относящихся к компоненту "Средства анализа таблиц для Excel" пакета надстроек интеллектуального анализа данных для MicrosoftOffice 2007.
Оглавление | - |
Самостоятельная работа 315 минут | Использование инструментов "FillFromExample" и "Forecast"
В данной лабораторной работе будет рассмотрено использование инструментов "Заполнение по примеру" ("FillFromExample") и "Прогноз" ("Forecast"), относящихся к компоненту "Средства анализа таблиц для Excel" пакета надстроек интеллектуального анализа данных для MicrosoftOffice 2007.
Оглавление | - |
Самостоятельная работа 420 минут | Использование инструментов "HighlightExceptions" и "ScenarioAnalysis"
Лабораторная работа посвящена использованию инструментов "Выделение исключений" ("HighlightExceptions") и "Анализ сценариев" ("ScenarioAnalysis").
Оглавление | - |
Самостоятельная работа 518 минут | Использование инструментов "Prediction Calculator" и "ShoppingbasketAnalysis"
Лабораторная работа посвящена использованию инструментов "Расчет прогноза" ("PredictionCalculator") и "Анализ покупательской корзины" ("ShoppingBasketAnalysis").
Оглавление | - |
Самостоятельная работа 124 минуты | - | |
Лекция 420 минут | Краткий обзор алгоритмов интеллектуального анализа данных. Упрощенный алгоритм Байеса. Деревья решений. Линейная регрессия
В лекции приводится обзор трех алгоритмов интеллектуального анализа данных, входящих в поставку SQL Server 2008. Это упрощенный алгоритм Байеса, алгоритмы деревьев решений и линейной регрессии. При выборе алгоритма линейной регрессии, СУБД вызывает особый вариант алгоритма дерева решений.
Оглавление | - |
Лекция 520 минут | Краткий обзор алгоритмов интеллектуального анализа данных. Алгоритмы временных рядов и кластеризации
Данная лекция посвящена рассмотрению двух классов алгоритмов интеллектуального анализа данных – алгоритмов временных рядов и алгоритмов кластеризации. Описываются особенности реализации указанных алгоритмов в MS SQL Server 2008.
Оглавление | - |
Лекция 613 минут | Краткий обзор алгоритмов интеллектуального анализа данных. Алгоритмы взаимосвязей и кластеризации последовательностей
Лекция посвящена краткому рассмотрению двух алгоритмов интеллектуального анализа данных – алгоритма взаимосвязей и алгоритмов кластеризации последовательностей.
Оглавление | - |
Лекция 713 минут | Краткий обзор алгоритмов интеллектуального анализа данных. Алгоритмы нейронных сетей и логистической регрессии
Лекция посвящена краткому рассмотрению двух алгоритмов интеллектуального анализа данных – нейронных сетей и логистической регрессии. Особенностью реализации этих алгоритмов в SQL Server 2008 является то, что алгоритм логистической регрессии, по сути, является алгоритмом нейронных сетей, запускаемым с особыми параметрами.
Оглавление | - |
Самостоятельная работа 624 минуты | Использование инструментов Data Mining Client для Excel 2007 для подготовки данных
Данная лабораторная работа описывает возможности инструментов, относящихся к Data Mining Client для Excel 2007, в части подготовки данных для анализа.
Оглавление | - |
Самостоятельная работа 716 минут | Использование инструментов Data Mining Client для Excel 2007 для создания модели интеллектуального анализа данных
В лабораторной работе будет рассмотрен процесс создания модели интеллектуального анализа с помощью инструментов, входящих в состав Data Mining Client для Excel.
Оглавление | - |
Самостоятельная работа 821 минута | Анализ точности прогноза и использование модели интеллектуального анализа
Лабораторная работа посвящена проверке точности модели и выполнению запросов к модели интеллектуального анализа.
Оглавление | - |
Самостоятельная работа 918 минут | Построение модели кластеризации, трассировка и перекрестная проверка
В лабораторной работе рассматривается построение модели интеллектуального анализа данных, использующей алгоритм кластеризации, проводится анализ модели с использованием перекрестной проверки и рассматриваются предоставляемые DataMiningClient возможности по выполнению трассировки запросов к серверу.
Оглавление | - |
Самостоятельная работа 224 минуты | - | |
Лекция 829 минут | Концепции языка DMX
В лекции рассматриваются базовые понятия языка DMX – атрибут, вариант, структура. Приводится обзор используемых типов данных и содержимого.
Оглавление | - |
Лекция 922 минуты | DMX. Создание структуры и модели
В лекции рассматривается создание средствами языка DMX моделей и структур интеллектуального анализа данных.
Оглавление | - |
Лекция 1025 минут | DMX. Обработка, очистка, удалениеи восстановление структур и моделей
В лекции рассматриваются основные операции, которые можно проводить с моделями и структурами данных после их создания – обработка (обучение), очистка содержимого, удаление, экспорт и импорт.
Оглавление | - |
Лекция 1119 минут | DMX. Запросы
В лекции рассматривается написание запросов к структурам и моделям интеллектуального анализа данных.
Оглавление | - |
Лекция 1218 минут | DMX. Прогнозы
В лекции рассматриваются вопросы, связанные с написанием прогнозирующих запросов на языке DMX, а также с созданием копий существующих моделей интеллектуального анализа.
Оглавление | - |
Самостоятельная работа 1014 минут | Начало работы в BIDevStudio
В ходе выполнения данной работы будут рассмотрены начальные этапы выполнения интеллектуального анализа в среде BusinessIntelligenceDevelopmentStudio (BIDevStudio) - создание проекта и определение источников данных.
Оглавление | - |
Самостоятельная работа 1118 минут | Создание представления источника данных
В предыдущей лабораторной работе была создана база данных аналитических служб и источник данных (DataSource). В ходе выполнения этой работы мы познакомимся с созданием представления источника данных (DataSourceView, DSV), а также именованных вычислений и запросов.
Оглавление | - |
Самостоятельная работа 324 минуты | - | |
Лекция 1316 минут | DMX. Параметры алгоритмов интеллектуального анализа данных. Упрощённый алгоритм Байеса, деревья решений, линейная регрессия
В данной лекции мы рассмотрим некоторые особенности определения моделей данных, основанных на упрощенном алгоритме Байеса и деревьях принятия решений.
Оглавление | - |
Лекция 1422 минуты | DMX. Параметры алгоритмов интеллектуального анализа данных. Временные ряды, кластеризация
В лекции рассмотрены особенности определения на языке DMX моделей данных, основанных на алгоритмах временных рядов и кластеризации.
Оглавление | - |
Лекция 1511 минут | DMX. Параметры алгоритмов интеллектуального анализа данных. Алгоритм взаимосвязей, кластеризация последовательностей
В лекции рассмотрены особенности определения моделей данных, основанных на алгоритмах взаимосвязей и кластеризации последовательностей.
Оглавление | - |
Лекция 1611 минут | DMX. Параметры алгоритмов интеллектуального анализа данных. Алгоритмы нейронных сетей и логистической регрессии
В лекции рассмотрены особенности определения на языке DMX моделей данных, основанных на алгоритмах нейронных сетей и логистической регрессии.
Оглавление | - |
Самостоятельная работа 1222 минуты | Создание структуры и модели интеллектуального анализа. Задача кластеризации
В ходе выполнения предыдущих лабораторных работ была создана база аналитических служб MSSQLServer и определены источник данных и представление источника данных. Текущая работа посвящена созданию в среде BIDevStudio структуры и модели интеллектуального анализа данных.
Оглавление | - |
Самостоятельная работа 1316 минут | Задача классификации. Создание структуры и моделей интеллектуального анализа. Сравнение точности моделей
Данная лабораторная работа посвящена решению задачи классификации и оценке точности прогнозов, получаемых с использованием разных алгоритмов.
Оглавление | - |
Самостоятельная работа 1414 минут | Просмотр моделей интеллектуального анализа (деревья решений, упрощенный алгоритма Байеса, нейронные сети). Написание "одноэлементных" прогнозирующих запросов
В ходе предыдущей лабораторной работы были созданы три модели интеллектуального анализа. Данная работа посвящена более подробному знакомству с содержимым модели, а также написанию прогнозирующих запросов.
Оглавление | - |
Самостоятельная работа 1512 минут | Работа с моделями интеллектуального анализа данных из SQLServerManagementStudio
В ходе выполнения данной лабораторной работы будут рассмотрены вопросы, связанные с использованием среды SQLServerManagementStudioпри интеллектуальном анализе данных.
Оглавление | - |
Самостоятельная работа 1616 минут | Использование алгоритма MicrosoftTimeSeries для прогнозирования значений временных рядов
Данная лабораторная работа посвящена вопросам использования аналитических служб SQLServer 2008 для прогнозирования временных рядов.
Оглавление | - |
Самостоятельная работа 424 минуты | - | |
5 часов | - |
