Лабораторная работа №4
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ (DATA MINING) БЕСПРОВОДНОЙ СЕНСОРНОЙ СЕТИ С ПРИМЕНЕНИЕМ ПРОГРАММНОГО ПРОДУКТА RAPID MINER
Цель работы: приобрести навыки применения программных платформ систем искусственного интеллекта на примере Rapid Miner.
ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ
1)Ознакомиться с официальной документацией платформы Rapid Miner: https://docs.rapidminer.com/latest/studio/getting-started/
2)Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем. Пер. с англ. - СпБ.: ООО "Альфа-книга': 2018. - 688 с.: ил. -
Парал. тит. англ. ISBN 978-5-9500296-2-2
Для изучения – глава 10.
ПРАКТИЧЕСКАЯ ЧАСТЬ
Задания для выполнения:
1)Запустить программу Rapid Miner и создать новый проект.
2)Выполнить загрузку dataset.
3)Используя вкладку Charts, построить график распределения данных.
4)Постройте модель для прогнозирования данных временного ряда на основе нейронной сети прямого распространения. Задайте параметры сети:
-Нейронная сеть (deep feed forward neural network);
-Количество нейронов 1 скрытого слоя: 4;
-Количество нейронов второго скрытого слоя: 12;
-Функция активации: сигмоида.
5)Сформируйте обучающую выборку.
6)Нормализуйте входные данные.
7)Обучите нейронную сеть.
8)Оцените погрешность прогноза модели.
9)Измените количество скрытых слоёв и нейронов в нём. Проанализируйте результаты прогноза модели.
58
Лабораторная работа №5
ИЗУЧЕНИЕ СРЕДЫ ПРОЕКТИРОВАНИЯ И БАЗОВЫХ БИБЛИОТЕК
Цель работы: приобрести навыки работы в интерактивной среде проектирования Colab и изучить базовые библиотеки, необходимые при работе с данными.
ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ
Темы для изучения:
Классы и объекты, атрибуты классов и объектов в Python. Методы классов.
Библиотека Numpy.
Библиотека matplotlib.
Библиотека Pandas.
Освоение теоретического материала данного подраздела предполагает работу с литературой:
1) Программирование на Python 3. Подробное руководство. – Пер. с англ. – СПб.: Символ-Плюс, 2009. – 608 с., ил.
Для изучения – глава 6.
2) Python для сложных задач: наука о данных и машинное обучение. — СПб.:
Питер, 2018. — 576 с.: ил. — (Серия «Бестселлеры O’Reilly»).
Для изучения – главы 2-4.
2) Официальная документация к библиотеке доступна по ссылке:
https://numpy.org/doc/
3) Официальная документация к библиотеке доступна по ссылке:
https://matplotlib.org/stable/index.html
4) Официальная документация к библиотеке доступна по ссылке:
https://pandas.pydata.org/docs/
ПРАКТИЧЕСКАЯ ЧАСТЬ
Прежде, чем выполнять нижеследующие задания, ознакомьтесь с
59
теоретической справкой, описанием инструментов, библиотек и датасетов. Запустите интерактивную среду проектирования Colab и откройте файл
lab2.ipynb. Данный файл содержит следующие задания:
1.Введение в библиотеку Numpy
1.1Создание массивов.
1.2Базовые операции над массивами.
1.3Индексы, срезы, итерации.
1.4Манипуляции с формой.
1.5Объединение массивов.
1.6Разбиение массива.
1.7Работа со случайными элементами.
2.Визуализация с помощью библиотеки Matplotlib
2.1Построение графика.
2.2Несколько графиков на одном поле.
2.3Несколько разделенных полей с графиками.
3.Знакомство с библиотекой Pandas
3.1Структуры данных: серии и датафреймы.
3.2Создаем датафреймы и загружаем данные.
3.3Исследуем загруженные данные.
3.4Получаем данные из датафреймов.
3.5Считаем производные метрики.
По результатам выполнения работы преподавателю должны быть предоставлены от каждой из групп:
программные коды в виде файлов .ipynb
отчёт в формате MS Word, оформленный в соответствии с требованиям ГОСТ к научным (учебным) документам.
Все указанные выше файлы должны быть размещены на курсе в соответствующем разделе.
60
Лабораторная работа №6
ПРОГНОЗИРОВАНИЕ СЕТЕВОГО ТРАФИКА В БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЯХ С ПРИМЕНЕНИЕМ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
Цель работы: приобрести навыки реализации и применения алгоритмов машинного обучения для задач прогнозирования в беспроводных сенсорных сетях.
ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ
Темы для изучения:
Узел сенсорной сети
Сетевой трафик узлов сенсорной сети
Модели машинного обучения для прогнозирования:
-линейная регрессия;
-Random Forest;
-Decision Tree;
-XGBoost.
Освоение теоретического материала данного подраздела предполагает работу с литературой:
1)Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / пер. с англ. А. А. Слинкина. – М.: ДМК Пресс, 2015. – 400 с.: ил.
2)Документация библиотеки sklern для исследуемых алгоритмов
(линейная регрессия, Random Forest, Decision Tree)
https://scikit-learn.org/stable/supervised_learning.html#supervised-learning 3) Документация библиотеки xgboost, модель XGBRegressor https://xgboost.readthedocs.io/en/stable/python/python_api.html
ПРАКТИЧЕСКАЯ ЧАСТЬ Задания для выполнения:
1)Запустите интерактивную среду проектирования Colab и создайте новый блокнот.
2)Выполните загрузку необходимых библиотек.
61
3)Загрузите dataset и разделите его на обучающую и тренировочную выборки.
4)Добавьте следующие модели:
-LinearRegression();
-RandomForestRegressor();
-DecisionTreeRegressor();
-XGBRegressor().
5)Обучите каждую из моделей.
6)Проанализируйте работу моделей на статистических параметрах:
-Коэффициент детерминации;
-СКО.
По результатам выполнения работы преподавателю должны быть предоставлены от каждой из групп:
программные коды в виде файлов .ipynb
отчёт в формате MS Word, оформленный в соответствии с требованиям ГОСТ к научным (учебным) документам.
Все указанные выше файлы должны быть размещены на курсе в соответствующем разделе.
62
Кислицын Дмитрий Игоревич
Сенсорные инфокоммуникационные сети
Учебно-методическое пособие
по выполнению лабораторных работ для обучающихся по дисциплине «Сенсорные инфокоммуникационные сети»
по направлению подготовки 09.04.02 Информационные системы и технологии, профиль «Искусственный интеллект в системах и сетях передачи данных»
Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»
603950, Нижний Новгород, ул. Ильинская, 65. http://www.nngasu.ru, srec@nngasu.ru
63