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

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