Professional Documents
Culture Documents
РОЗДІЛ 1. Методологічні основи Data Science. РОЗДІЛ 1.1. Прикладний статистичний аналіз даних
РОЗДІЛ 1. Методологічні основи Data Science. РОЗДІЛ 1.1. Прикладний статистичний аналіз даних
РОЗДІЛ 1. Методологічні основи Data Science. РОЗДІЛ 1.1. Прикладний статистичний аналіз даних
Київ 2021
ВСТУП
ВСТУП
ПИТАННЯ ЗАНЯТТЯ:
1. Рекурентне згладжування, фільтр Калмана.
2. Нелінійний фільтр Калмана.
3. Технології рекурентного згладжування в Python.
ВСТУП
НАВЧАЛЬНА ЛІТЕРАТУРА:
1. Навчально-методичний комплекс з дисципліни “Вступ до технології Data Science”,
[https://drive.google.com/drive/folders/1xqv2CMJ_BJmOL8QK2GjUne6coi0T5l2U?usp=sharing ].
2. Писарчук О.О. Нелінійне та багатокритеріальне моделювання процесів у системах керування рухом /
Писарчук О.О., Харченко В.П. – Монографія. – К.: Інститут обдарованої дитини, 2015. – 248 с.
3. Писарчук О.О. Багатокритеріальні математичні моделі ситуаційного управління та самоорганізації у складних
інформаційних системах / Писарчук О.О., Даник Ю. Г., Шестаков В.І., Соколов К.О., та інші. – Монографія. – Житомир:
ПП «Рута», 2016. – 232 c.
4. Ковбасюк С.В. Метод найменших квадратів та його практичне застосування / С.В. Ковбасюк, О.О. Писарчук,
М.Ю. Ракушев // Монографія . – Житомир: ЖВІ НАУ, 2008. – 228 с.
5. Салюк М.А. Статистична обробка даних експериментального дослідження. Методичний посібник з курсу
«Експериментальна психологія» / за ред. Е.Л. Носенко. – Дніпропетровськ: Інновація, 2010. – 26 с.
6. Ланде Д.В., Субач І.Ю., Бояринова Ю.Є. Основи теорії і практики інтелектуального аналізу даних у сфері
кібербезпеки: навчальний посібник. – К.: ІСЗЗІ КПІ ім. Ігоря Сікорського», 2018. — 297 с.
7. Бахрушин В.Є. Методи аналізу даних : навчальний посібник для студентів / В.Є. Бахрушин. – Запоріжжя : КПУ,
2011. – 268 с.
8. Уэс Маккинли Python та аналіз даних / Пер. с англ.., 2015. – 482 с.: ил.
9. Плас Дж. Вандер. Python для складних завдань: наука про дані та машинне навчання, 2018. – 576 с.
10. Майкл Хейдт. Вивчаємо pandas. Високопродуктивна обробка та аналіз даних в Python, 2018. – 438 с.
11. Себастьян Рашка, Вахид Мирджалили. Python та машинне навчання. Машинне та глибоке навчання з
використанням Python, scikit-learn, TensorFlow. К.: Діалектика, 2020. – 656 с.
12. Патрик Джоши. Штучний інтелект з прикладами на Python. К.: Діалектика, 2020. – 448 с. .
Питання 1.
Рекурентне згладжування,
фільтр Калмана.
1. Первинний аналіз експериментальних даних. АВ.
1. Первинний аналіз
статистичних даних
2. Визначення статистичних
характеристик
3. Побудова експериментальної
моделі (згладжування)
4. Екстраполяція
5. Інтерполяція
1. Первинний аналіз експериментальних даних. АВ.
1. Первинний аналіз
4., 5. Інтерполяція статистичних даних
(екстраполяція) АВ
АВ 2. Визначення статистичних
характеристик
Модель процесу
3. Побудова
експериментальної моделі
Ділянка Ділянка Ділянка
інтерполяції спостереження екстраполяції
2. Загальні відомості про рекурентне та накопичене згладжування.
P0
Невідомий P0
реальний
параметр
t0 Час t t0 t1 t2 Час t
Поняття згладжування відображає процес обробки Невідомий реальний
часової надмірності як побудови лінії тренду і процес
визначення її аналітичної моделі із зменшенням
випадкової похибки вимірювання
2. Загальні відомості про рекурентне та накопичене згладжування.
1.1. Рекурентний
alfa-beta фільтр.
1.1. Рекурентний alfa-beta фільтр.
1.1. Рекурентний alfa-beta фільтр.
1.1. Рекурентний alfa-beta фільтр.
1.1. Рекурентний alfa-beta фільтр.
1.2. Рекурентний
alfa-beta-gama фільтр.
1.2. Рекурентний alfa-beta-gama фільтр.
1.3. Фільтр Калмана.
1.2. Фільтр Калмана.
Головна ідея
Математичний апарат диференціальних перетворень відноситься до класу
операторних методів, відмінність якого полягає в диференціюванні оригіналу
для одержання зображення.
Область
зображень
Нелінійна задача Розв'язок нелінійної
(форма) задачі
Сутність операторних методів
Метод диференціальних перетворень академіка ПУХОВА Г.Є.
Метод диференціальних перетворень академіка ПУХОВА Г.Є.
Метод диференціальних перетворень академіка ПУХОВА Г.Є.
Метод диференціальних перетворень академіка ПУХОВА Г.Є.
2. Нелінійний фільтр Калмана.
2. Нелінійний фільтр Калмана.
2. Нелінійний фільтр Калмана.
2. Нелінійний фільтр Калмана.
2. Нелінійний фільтр Калмана.
2. Нелінійний фільтр Калмана.
Питання 3.
Технології рекурентного
згладжування в Python.
3. Технології рекурентного згладжування в Python.
Реалізується
самостійно
на Лр2
Досліджується
на Лр3
3. Технології рекурентного згладжування в Python.
,
3. Технології рекурентного згладжування в Python.
Обробка лінійного
процесу лінійним
Оцінка за alfa-beta
фільтром
фильтром
Перехідний процес
Точність оцінок за
alfa-bеta фільтрjv
Точність оцінок
МНК
Перехідний процес
Точність оцінок за
alfa-bеta фільтр
Точність оцінок
МНК
Перехідний процес
Точність оцінок за
alfa-bеta фільтр
Точність оцінок
МНК
Перехідний процес
Точність оцінок за
alfa-bеta фільтром
Точність оцінок
МНК
Обробка лінійного
процесу лінійним
Оцінка за alfa-btna
фільтром
фильтром
Загальні відомості
https://pandas.pydata.org/docs/
3.1. Бібліотека Pandas
Загальні відомості
Функціонал Pandas:
Київ 2021