Скачать работу можно здесьhttp://depositfiles.com/files/t5qrcv3q3

СОДЕРЖАНИЕ

Введение. 3

1.    Нейронная сеть и кластеризация. Понятие, применение и системы использующие нейронные сети. 5

1.1.         Общие понятия и сведения нейронных сетей. 5

1.1.1.         Понятия и сведения нейронной сети. 5

1.1.2.         Построение нейронной сети. 7

1.1.3.         Применение нейронных сетей. 7

1.2. Кластеризация. 11

1.2.1.         Иерархическая кластеризация. 16

1.2.2.         Итеративная кластеризация. 17

1.2.3.         Алгоритмы кластеризации в SQL Server 2008. 19

1.3.         Интеллектуальный анализ данных Microsoft SQL 2005 Analysis Services  27

1.3.1.         Объекты интеллектуального анализа данных службы Analysis Services  27

1.3.1.         Структура интеллектуального анализа данных. 28

Заключение. 30

Список литературы.. 31

Введение

В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами:

Богатые возможности.  Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейные по своей природе.

Простота в использовании.  Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Помимо задач классификации, нейронные сети широко используются для поиска зависимостей в данных и кластеризации.

Кластеризация - это разбиение набора примеров на несколько компактных областей (кластеров), причем число кластеров заранее неизвестно. Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, таким образом можно быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия.

Кластеризация или термин ккластерный анализ (впервые ввел Tryon, 1939) в действительности включает в себя набор различных алгоритмов классификации. Общий вопрос, задаваемый исследователями во многих областях, состоит в том, как организовать наблюдаемые данные в наглядные структуры, т.е. развернуть таксономии. Например, биологи ставят цель разбить животных на различные виды, чтобы содержательно описать различия между ними. В соответствии с современной системой, принятой в биологии, человек принадлежит к приматам, млекопитающим, амниотам, позвоночным и животным. Заметьте, что в этой классификации, чем выше уровень агрегации, тем меньше сходства между членами в соответствующем классе.