Cтраница 2
В нем сосредоточены самые современные методы извлечения, очистки, манипулирования и визуализации данных. С применением Deductor-a вам становятся доступны моделирование, прогнозирование, кластеризация, поиск закономерностей и многие другие технологии обнаружения знаний. [16]
Наша деятельность направлена на решение широкого спектра прикладных задач - от информационных систем визуализации данных до мошных систем анализа и прогноза. Разработаны методики и программное обеспечение для моделирования динамики поведения пласта, анализа сложных многофакторных систем, повышения качества проведения мероприятий по интенсификации добычи нефти, газа, конденсата и многое другое. [17]
К интеллектуальным средствам DM & KDD относятся нейронные сети, деревья решений, индуктивные выводы, методы рассуждения по аналогии, нечеткие логические выводы, генетические алгоритмы, алгоритмы определения ассоциаций и последовательностей, анализ с избирательным действием, логическая регрессия, эволюционное программирование, визуализация данных. Иногда перечисленные методы применяются в различных комбинациях. [18]
Одной из основных характеристик, присущей подавляющему большинству систем интеллектуального анализа, является визуализация. Программы визуализации данных в каком-то смысле не являются средством анализа информации, поскольку они только представляют ее пользователю, но многомерное графическое представление данных позволяет ему в некоторых случаях самому выявлять закономерности: характеристики процессов или объектов и взаимовлияния на них отдельных факторов. В настоящее время разработано большое число инструментальных средств для визуализации данных. [19]
Как указано в § 1.1, исходные данные могут быть заданы не только в виде матрицы данных, но и в виде матрицы близости ( расстояний) между объектами. Задача визуализации данных в этом случае тесно связана с методами так называемого многомерного метрического шкалирования [37], при котором стремятся построить некоторую матрицу данных ( конфигурацию точек) возможно меньшей размерности, объясняющую имеющуюся матрицу расстояний. [20]
Практика применения этих методов доказывает: чем больше измерений в модели, тем более управляемой эта модель становится, тем более сложные решения можно принимать на ее основе. Удобные методы визуализации данных с пространственной привязкой все больше привлекают пользователей, освоивших возможности офисных операционных сред для персональных компьютеров. [21]
На первом этапе происходит визуализация данных из некоторой операционной БД и определяются места наибольших пересечений между атрибутами грантов, покупкой ПЭВМ и возрастом. На втором этапе происходят анализ уже только выделенной, ограниченной по размеру информации и формирование правила, описывающего некоторую выявленную закономерность. На третьем этапе происходит формирование решения, адекватного выявленной закономерности. [22]
Закончив знакомство с документами, пора переходить к тому, каким образом можно взаимодействовать с хранящимися в них данными. А осуществить это взаимодействие и визуализацию данных документа призваны объекты специальных классов - представления. [23]
Он имеет много мелких недостатков, существенно замедляющих подготовку и работу в среде нейропакета. Кроме недостаточно продуманного интерфейса нейропакет NeuroShell имеет и усложненную систему визуализации данных. Из-за отсутствия единого интегрального контроля данных в процессе обучения или работы нейронной сети часто приходится переключаться из одного режима в другой, что неудобно в использовании. [24]
Во многих приложениях важно представить открытые знания наиболее понятным для человека образом. Возможные решения включают графические представления, правила структурирования с ориентированными ацикличными диаграммами, естественно-языковое представление и методы для визуализации данных и знаний. [25]
Кроме того, имеющийся в арсенале ряда пакетов ( в частности, в арсенале пакета SIAIGRAPHICS) широкий набор средств визуализации данных к результатов применения статистических процедур: построение графиков, двух - и трехмерных диаграмм и др., помогает лучше представить обрабатываемые данные, получить общее представление об их особенностях и закономерностях. [26]
Первое место по частоте использования и реальной потребности принадлежит группе методов, которые имеют больше отношения к компьютерной графике, чем к обработке сигналов - представлению и визуализации результатов измерений. Надо сказать, что часто математическое обеспечение выпускаемых специализированных систем для обработки сигналов или изображений практически на 80 % посвящено именно красивой и удобной визуализации данных. Это сделано не зря: если в распоряжении пользователя имеются достаточно мощные и удобные средства для вывода результатов измерений в виде графиков или изображений, если имеется возможность простыми командами изменять масштаб, цвет, ориентацию кривых, то часто отпадает необходимость в дальнейшем более сложном анализе. [27]
Предтечей ВР считаются авиационные тренажеры. В настоящее время сферами применения ВР являются: проектирование новых изделий в машиностроении с виртуальным прототипированием, исключающим дорогостоящие макеты, военные и космические системы обучения летчиков, судоводителей, экипажей космических кораблей, диагностика и лечение заболеваний в медицине и здравоохранении, визуализация данных или моделей в научных исследованиях и многие другие. [28]
Существует специальная область информатики, изучающая методы и средства создания и обработки изображений с помощью программно-аппаратных вычислительных комплексов, - компьютерная графика. Без компьютерной графики невозможно представить себе не только компьютерный, но и обычный, вполне материальный мир. Визуализация данных находит применение в самых разных сферах человеческой деятельности. [29]
Одной из основных характеристик, присущей подавляющему большинству систем интеллектуального анализа, является визуализация. Программы визуализации данных в каком-то смысле не являются средством анализа информации, поскольку они только представляют ее пользователю, но многомерное графическое представление данных позволяет ему в некоторых случаях самому выявлять закономерности: характеристики процессов или объектов и взаимовлияния на них отдельных факторов. В настоящее время разработано большое число инструментальных средств для визуализации данных. [30]