Теоретичні відомості. Встановіть відповідність між гормоном та функцією, яку він виконує

Мета роботи

Звіт

Встановіть відповідність між гормоном та функцією, яку він виконує.

Вказати правильне на Вашу думку твердження з кожного стовпчика стосовно вітаміну 1. Завдання вважається виконаним, якщо правильно вказано правильне твердження в кожному із стовпчиків.

При обстеженні людини встановили сильний, врівноважений, рухливий тип вищої нервової діяльності за Павловим. Який темперамент за Гіппократом у досліджуваного?

Жінка 25 років, звернулась на консультацію до дільничного лікаря зі скаргами на те, що у неї хитка хода, не впевнені та не координовані рухи, погано тримає рівновагу. Порушення якої структури головного мозку запідозрить лікар?

Хлопчик грався в м’яч та впав на ліве коліно, через деякий час відчув нестерпний біль у цій ділянці. З активацією яких рецепторів пов’язано формування такого відчуття?

a) хеморецепторів шкіри

b) ноцицепторів шкіри

c) барорецепторів шкіри

d) осморецепторів гіпоталамуса

e) ектрарецепторів шкіри

a) гіпоталамус

b) центральна звивина

c) кора півкуль головного мозку

d) довгастий мозок

e) мозочок

21. Склера в передній частині ока переходить у:

a) сітківку

b) сліпу пляму

c) кришталик

d) зіницю

e) рогівку

22. Кортіїв орган знаходиться в:

a) Євстахієвій трубі

b) барабаній перетинці

c) середньому вусі

d) півколових канальцях

e) завитці

a) флегматик та холерик

b) меланхолік

c) холерик

d) меланхолік та флегматик

e) сангвінік

Номенклатурна назва	Гіповітаміноз призводить до:	Розчинність у воді:
1. тіамін	1. анемії	1. водорозчинний
2. рибофлавін	2. бері-бері	2. жиророзчинний
3. токоферол	3. подагри	3. не розчинний

1) окситоцин	a) збільшує реабсорбцію натрію
2) тестостерон	b) збільшує рівень кальцію в крові
3) альдостерон	c) прискорення процесу лактації та скорочення стінок матки
4) кортизол	d) сперматогенез, вторинні статеві чоловічі ознаки
5) паратгормон	e) є глюкокортикоїдом, виконує протизапальну дію, пригнічує імунну систему

	C
	D
	C
	C
	A
	A
	D
	E
	B
	B
	E
	B
	D
	A, C, D
	B
	B
	C
	E
	B
	E
	E
	E
	E
	1-C 2-D 3-A 4-E 5-B

До комплексній контрольній роботі

З дисципліни «Інтелектуальний аналіз даних»

на тему:

Розробка моделі і сценарію пошуку та аналізу

асоціативних правил для заданої ПО

за предметною областю:

Волонтерський центр

Виконав:

Ст. гр. КН-35

Мархивка Р.В.

Прийняв:

Доц. каф. ІСМ

Проданюк М.М.

Львів 2013

Продемонструвати базові теоретичні знання і практичні навики (вміння) виконувати інтелектуальний аналіз даних із заданої ПО за допомогою асоціативних правил.

Останнім часом неухильно зростанні інтерес до методів «виявлення знань в базах даних» (knowledge discovery in databases). Значні об'єми сучасних баз даних викликали стійкий попит на нові алгоритми аналізу даних. Одним з популярних методів виявлення знань стали алгоритми пошуку асоціативних правил. Асоціативні правила дозволяють знаходити закономірності між зв'язаними подіями. Прикладом такого правила, служить твердження, що покупець, що купує 'Хліб', придбає і 'Молоко' з вірогідністю в 75%. Перший алгоритм пошуку асоціативних правил AIS був розроблений в далекому 1993 році співробітниками дослідницького центру IBM Almaden. З цієї піонерської роботи зріс інтерес до асоціативних правил; пік дослідницьких робіт в цій області припавши на середину 90-х років минулого століття і з того часу щороку з'являлося по декілька алгоритмів.

Асоціативні правила

Вперше це завдання було запропоноване для пошуку асоціативних правил, щоб знайти типові шаблони покупок, які здійснюються в супермаркетах, тому іноді це ще називають аналізом ринкової корзини (market basket analysis).

Нехай є база даних, що складається з купівельних транзакцій. Кожна транзакція – це набір товарів, куплених покупцем за один візит. Таку транзакцію ще називають ринковою корзиною.

Визначення 1. Нехай I = {I₁, I₂, I₃, …, I_n} – множина (набір) товарів, що називаються елементами. Нехай D – множина транзакцій, де кожна транзакція T – це набір елементів з I, I. Кожна транзакція є бінарним вектором, де t[k]=1, якщо i_k елемент присутній в транзакції інакше t[k]=0. Ми говоримо, що транзакція T містить X, деякий набір елементів з I, якщо X∈T. Асоціативним правилом називається імплікація X⇒Y, де X∈I, Y∈I і . Правило X⇒Y має підтримку s (support), якщо s% транзакцій з D, містять X Y, supp(X⇒Y)= supp (X Y). Достовірність правила показує яка вірогідність того, що з X виходить Y. Правило X⇒Y справедливо з достовірністю (confidence) з, якщо s% транзакція з D, що містять X, також містять Y, conf(X⇒Y)= supp(X Y) /supp(X).

Покажемо на конкретному прикладі: «75% транзакцій, що містять хліб, також містять молоко. 3% від загального числа всіх транзакцій містять обидва товари'. 75% – це достовірність (confidence) правила, 3% це підтримка (support), або 'Хліб' 'Молоко' з вірогідністю 75%.»

Іншими словами, метою аналізу є встановлення наступних залежностей: якщо в транзакції зустрівся деякий набір елементів X, то на підставі цього можна зробити висновок про тих, що інший набір елементів Y також повинний з'явитися в цій транзакції. Встановлення таких залежностей дає нам можливість знаходити дуже прості і інтуїтивно зрозумілі правила.

Алгоритми пошуку асоціативних правил призначені для знаходження всіх правил X⇒Y, причому підтримка і достовірність цих правил повинні бути вищими за деякі наперед задані пороги, що називаються відповідно мінімальною підтримкою (minsupport) і мінімальною достовірністю (minconfidence).

Завдання знаходження асоціативних правил розбивається на дві підзадачі:

1. Знаходження всіх наборів елементів, які задовольняють порогу minsupport. Такі набори елементів називаються такими, що часто зустрічаються.

2. Генерація правил з наборів елементів, що знайдені згідно п.1. з достовірністю, яка задовольняє порогу minconfidence.

Одним з перших алгоритмів, що ефективно вирішує подібний клас завдань, – це алгоритм APriori. Окрім цього алгоритму останнім часом булі розроблені ряд інших алгоритмів: DHP, Partition, DIC та інші.

Значення для параметрів мінімальна підтримка і мінімальна достовірність вибираються такими, щоб обмежити кількість знайдених правил. Якщо підтримка має велике значення, то алгоритми знаходитимуть правила, які добрі відомі аналітикам або настільки очевидні, що немає жодного сенсу проводити такий аналіз. З іншого боку, низьке значення підтримки призводить до генерації величезної кількості правил, що, звичайно, вимагає значних обчислювальних ресурсів. Проте, більшість цікавих правил знаходиться саме при низькому значенні порогу підтримки. Хоча дуже низьке значення підтримки веде до генерації статистично необґрунтованих правил.

Пошук асоціативних правил не є тривіальним завданням, як може показатися на перший погляд. Одна з проблем – алгоритмічна складність при знаходженні часто зустрічаючих наборів елементів, оскільки із зростанням числа елементів в I (| I |) експоненціально зростає число потенційних наборів елементів

Дата добавления: 2015-05-24