Вход

Курсовая работа (Вариант 5), Технологии обработки информации (ТОИ)

Рекомендуемая категория для самостоятельной подготовки:
Курсовая работа*
Код 530199
Дата создания 2022
Покупка готовых работ временно недоступна.
1 780руб.

Описание

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.

Содержание

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

Список литературы

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

Очень похожие работы
Найти ещё больше
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.00459
© Рефератбанк, 2002 - 2024