Сборник докладов республиканской научно-технической конференции значение информационно-коммуникационных

ИНСТРУМЕНТЫ ПАКЕТА MATLAB ИСПОЛЬЗУЕМЫЕ ДЛЯ 
ИНТЕЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ 
Ш.Ш.Мухсинов (ст.преподаватель,ТУИТ имени Мухаммада ал-Хоразми) 
Э.Кутдусова (магистрант, ТУИТ имени Мухаммада ал-Хоразми) 
В настоящее время процесс интеллектуального анализа данных 
неразделим с компьютерными технологиями. При обработке больших 
данных необходим интеллектуальный анализ большого объема данных, в 
связи с чем возникает потребность в применении, информационных техноло-
гий для автоматизации этого процесса.MATLAB–самая простая и продуктив-
ная среда для экспертов в области анализа, позволяющая получать эффектив-
ные результаты из инженерных и бизнес данных. 
Интеллектуальный анализ данных (англ. Data Mining) это направление 
информационных технологий, охватывающее всю область проблем, 
связанных с извлечением знаний из массивов данных. 
Технология интеллектуального анализа данных выполняет следующие 
задачи:

Задача классификации и регрессии. Процесс классификации состоит в 
разбиении большого количества объектов на классы согласно конкретному 
аспекту. 

Задача прогнозирования. Методы прогнозирования дают возможность 
получать в качестве прогнозов количественные показатели, описывающие 
состояние определенного объекта или процесса 

Задача кластеризации. Кластеризация предоставляет возможность 
осуществить, разведочный анализ и исследовать «структуру данных». 

Задача определения взаимосвязей или задача ассоциативных правил. 
Ассоциативные правила показывают взаимосвязь между наборами 
предметов, соответствующими условию и следствию. 

Анализ последовательностей. Целью данного анализа является 
обнаружение закономерностей в последовательностях событий. 
Для решения вышеприведенных задач интеллектуального анализа дан-
ных нужны программные, средства, реализующие этот процесс. 
Для 
MATLAB имеется возможность создавать специальные наборы инструмен-
тов (
англ.
toolbox
), расширяющие его функциональность. Наборы инструмен-
тов представляют собой коллекции функций и объектов, написанных на 
языке MATLAB для решения определённого класса задач. Компания Math-
works поставляет наборы инструментов, которые используются во многих 
областях, включая следующие: 
Цифровая обработка сигналов
, изображений и данных: 
Signal Processing 
Toolbox
(появился в 1987 году), 
DSP System Toolbox
, 
Image Processing Toolbox
(появился в 1993 году), 
Wavelet Toolbox
, 
Communications System Toolbox
— 
наборы функций и объектов, позволяющих решать широкий спектр задач 

---

415 
обработки сигналов, изображений, проектирования цифровых фильтров и 
систем связи. 
Анализ и синтез географических карт,включая трёхмерные:
Mapping 
Toolbox
. 
Сбор и анализ экспериментальных данных: 
Data Acquisition Toolbox
, 
Image Acquisition Toolbox
, 
Instrument Control Toolbox
, 
OPC Toolbox
-наборы 
функций и объектов,позволяющих сохранять и обрабатывать данные,получен 
-ные в ходе экспериментов, в том числе в реальном времени.Поддерживается 
широкий спектр научного и инженерного измерительного оборудования. 
Взаимодействие с внешними программными продуктами: 
MATLAB 
Report Generator
, 
Excel Link
, 
Database Toolbox
, 
MATLAB Web Server
, 
Link for 
ModelSim
- наборы функций, позволяющие сохранять данные различных 
видов таким образом, чтобы другие программы могли с ними работать. 
Визуализация и представление данных:
Virtual Reality Toolbox-
позволяет 
создавать интерактивные миры и визуализировать научную информацию с 
помощью технологий 
виртуальной реальности
и языка 
VRML
. 
Базы данных: 
Database Toolbox
-инструменты работы с базами данных. 
Нейронные сети
: 
NeuralNetwork Toolbox
-инструменты для синтеза и 
анализа нейронных сетей. 
Нечёткая логика
: 
Fuzzy Logic Toolbox
- инструменты для построения и 
анализа нечётких множеств. 
Символьные вычисления
: 
Symbolic Math Toolbox
(появился в 1993 году) 
- инструменты для символьных вычислений с возможностью взаимодействия 
с символьным процессором программы Maple. 
Deep Learning Toolbox предоставляет встроенную функциональность для 
создания, обучения и вариации глубоких нейронных сетей.
Этот обзор показывает некоторые наиболее общие случаи инструментов, 
применяемых в задачах интеллектуального анализа данных. Каждый из этих 
инструментов имеет свой набор функций и используются в конкретных 
предназначениях. 
Литература 
1.
Ian H. Witten, Eibe Frank, Mark A. Hall, Morgan Kaufmann. Data Mining: Practical 
Machine Learning Tools and Techniques. 4th ed. Elsevier, 2017. 629 p. 
2.
Замятин А.В. Интеллектуальный анализ данных : учеб. пособие. – Томск : 
Издательский Дом Томского государственного университета, 2016. – 120 с. 
3.
Big Data простыми словами (https://proglib.io/sh/FfVU9pxohD)