Введение
1. Обзор современных методик, алгоритмов и систем интеллектуального анализа данных 14
1.1. Математическое моделирование как основа интеллектуального анализа данных 14
1.2. Современные системы мета-обучения 16
1.3. Реализация систем мета-обучения: современные методы ИАД 23
1.4. Метод группового учета аргументов (МГУА)
1.4.1. Основные принципы и достоинства МГУА 28
1.4.2. Обзор алгоритмов МГУА: параметрические, непараметрические, многорядные 31
1.4.3. Обзор применений МГУА 41
1.5. Программные платформы интеллектуального анализа данных 50
1.5.1. Программные платформы для реализации систем мета-обучения 50
1.5.2. Обзор систем моделирования на основе МГУА 56
1.5.3. Обзор вычислительных архитектур, используемых для запуска алгоритмов интеллектуального анализа данных 59
1.6. Выводы по главе 1 и постановка задач диссертационного исследования 65
2. Архитектура системы интеллектуального анализа данных на основе мета-обучения 67
2.1. Методика ИАД на основе мета-обучения с поддержкой выбора оптимального алгоритма решения задачи и вычисления оптимальных параметров его функционирования 67
2.2. Алгоритмы обучения, использования и дообучения системы 74
2.2.1. Алгоритмы, соответствующие методике «одна мета-модель на алгоритм» 74
2.2.2. Алгоритмы, соответствующие методике «две мета-модели на алгоритм» 77
2.3. Идентификация мета-моделей с помощью алгоритма дважды многорядной полиномиальной сети МГУА 79
2.4. Вычислительный алгоритм идентификации полиномиально-гармонической модели оптимальной сложности 84
2.5. Разработка архитектуры программной платформы мета-обучения 91
2.6. Разработка архитектуры программной платформы МГУА 93
2.7. Выводы по главе 2 98
3. Реализация программной платформы 101
3.1. Выбор средств реализации 101
3.2. Обеспечение критерия гибкости 102
3.3. Обеспечение критерия производительности 107
3.4. Обеспечение критерия универсальности Ill
3.3. В ыводы по главе 3 113
4. Практическое применение результатов диссертационного исследования 114
4.1. Автоматическая система мета-обучения для решения задачи прогнозирования 114
4.1.1. Состав экспериментов 114
4.1.2. Набор тестовых выборок данных «МЗ Competition» 115
4.1.3. Нижний уровень системы: прогнозирующие модели и алгоритмы их обучения... 117
4.1.4. Нижний уровень системы: результаты идентификации прогнозирующих моделей 127
4.1.5. Верхний уровень системы (мета-уровень системы) 131
4.1.6. Верхний уровень системы: результаты идентификации мета-моделей 135
4.1.7. Результаты экспериментов по применению системы мета-обучения 138
4.2. Система прогнозирования нестационарных временных рядов 144
4.2.1. Структура системы прогнозирования нестационарных временных рядов 144
4.2.2. Результаты эксперимента по прогнозированию FX EUR/USD за 2009-2010 годы. 146
4.3. Экспериментальное исследование вычислительного алгоритма идентификации
полиномиально-гармонической модели оптимальной сложности 149
4.3.1. Точность расчета частот гармонической части модели 150
4.3.2. Качество идентификации моделей при ненулевой ошибке расчета частот гармонической части
4.4. Экспериментальная проверка эффективности распараллеливания вычислений 159
4.5. Выводы по главе 4 164
Заключение 166
Список литературы
