Код | 530199 |
Дата создания | 2022 |
Покупка готовых работ временно недоступна. |
Курсовик зачтен на отлично. В архиве полный подробный отчет Word по проделанной работе, а также все файлы третьего задания (SVG-анимация)
Выполнено в соответствии со всеми требованиями (Подробное комментирование кода и используемых функций, ответ на контрольные вопросы, наглядные иллюстрации и выводы).
Задание № 1: Понижение размерности данных
Исследовать эффективность методов PCA и SVD для понижения размерности данных.
В качестве исходных данных для анализа следует самостоятельно выбрать изображение в формате jpg. Размер изображения должен быть не менее 400 х 400 пикселей.
В ходе исследования необходимо проделать следующее:
- выбрать и обосновать количество главных компонент, достаточное для качественной визуализации;
- оценить выигрыш сжатого изображения по объему, по сравнению с оригиналом;
- оценить количество «утраченной» информации;
- выяснить зависит ли достаточное число компонент для качественной визуализации от характера изображения (если да, то оценить эту зависимость).
Задание № 2: Кластеризация данных
Исследовать возможности классификации данных с использованием алгоритмов t-SNE и UMAP.
Исходные данные для анализа загрузить из ресурса Wine Quality (http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality /) репозитария. Варианты заданий (номер варианта определяется последней цифрой номера зачетки) приведены в табл. 2.
Таблица 2
Варианты задания
Нечетная цифра
winequality-white.csv
Основная задача исследования состоит в определении качества субъективной оценки экспертов и формированию обоснованной кластеризации вин.
Исследование должно содержать:
- описание исследуемого набора данных,
- подготовку данных для анализа,
- план и решаемые задачи,
- выбор используемых функций и описание их параметров,
- результаты исследования,
- аргументированные выводы.
Программный код должен быть снабжен подробным комментарием.
Задание № 3: Обработка графической информации
Визуализировать отрывок сказки К.И.Чуковского «Муха-цокотуха» с использованием технологии SVG, соответствующий номеру фрагмента. Номер своего фрагмента определяется последней цифрой номера зачетной книжки:
А злодей-то не шутит,
Руки-ноги он Мухе верёвками крутит,
Зубы острые в самое сердце вонзает
И кровь у неё выпивает.
Муха криком кричит,
Надрывается,
А злодей молчит,
Ухмыляется.
Как минимум, созданный фрагмент должен включать анимацию действия «героев» с использованием технологии SVG, а также звуковое сопровождение соответствующего фрагмента сказки (его можно вырезать, например из https://deti-online.com/audioskazki/skazki-chukovskogo-mp3/muha-cokotuha/). Звуковое сопровождение должно быть синхронизировано с визуальной анимацией.
Результирующий (исполнительный) файл должен иметь расширение svg. Не забудьте приложить все дополнительные файлы (аудио и, возможно jpg, png, gif и внешние svg и т.п.) и проверить работоспособность вашего продукта на разных браузерах.
Введение 3
Задача 1 4
Исходные данные 4
Основные сведения 5
Решение задачи 7
Контрольные вопросы 10
Задача 2 12
Исходные данные 13
Основные сведения 13
Решение задачи 15
Контрольные вопросы 19
Задача 3 20
Исходные данные 20
Основные сведения 21
Решение задачи 21
Заключение 28
Список литературы 29
1. Филиппов Ф.В. Обработка графической информации в формате SVG : учебное пособие : часть 1 / Ф. В. Филиппов ; СПбГУТ. – СПб., 2017. – 84 с.
2. Филиппов Ф.В. Обработка графической информации в формате SVG : учебное пособие : часть 2 / Ф. В. Филиппов ; СПбГУТ. – СПб., 2017. – 36 с.
3. Джентельменский набор пакетов R для автоматизации бизнес-задач https://habr.com/ru/post/309420/
4. Как работает метод главных компонент (примеры на Python) https://habr.com/ru/post/304214/
5. Метод главных компонент (примеры на R) http://math-info.hse.ru/f/2015-16/ling-magquant/lecture-pca.html
6. Научная библиотека избранных естественно-научных изданий https://scask.ru/index.php
7. Обзор нового алгоритма уменьшения размерности UMAP https://habr.com/ru/company/newprolab/blog/350584/
8. Препарируем t-SNE https://habr.com/ru/post/267041/
9. Comprehensive Guide on t-SNE algorithm with implementation in R & Python https://www.analyticsvidhya.com/blog/2017/01/t-sne-implementation-r-python/
10. Machine Learning Repository [Электронный ресурс]. ‒ URL: http://archive.ics.uci.edu/ml/index.php (дата обращения 17.02.2021).
11. Uniform Manifold Approximation and Projection in R https://cran.r-project.org/web/packages/umap/vignettes/umap.html