Лабораторна робота #1

Використання бібліотек Pandas та Matplotlib.

Зчитування даних з csv. Маніпуляції зі стовпцями (видалення, додавання нових), виправлення невалідних даних (наприклад, "123" (str) приводимо до числового типу int або float). Побудова діаграм.

Лабораторна робота #2

Дерева прийняття рішень. Використання Scikit-learn (tree.DecisionTreeClassifier), Graphviz, Matplotlib.

Побудова класифікаційної моделі дерева прийняття рішень. Навчання на тренувальній вибірці. Обчислення класифікаційних метрик збудованої моделі для тренувальної та тестової вибірки.

Лабораторна робота #3

Логістична регресія. Використання Scikit-learn (linear_model.LogisticRegression, ShuffleSplit).

Побудова класифікаційної моделі логістичної регресії та навчання її. Графічне представлення результату. Обчислення класифікаційних метрик збудованої моделі. Аналіз ступіню впливу атрибутів на результат класифікації.

Лабораторна робота #4

Метод k найближчих сусідів. Використання Scikit-learn (neighbors.KNeighborsClassifier, ShuffleSplit).

Побудова класифікаційної на основі методу k найближчих сусідів та навчання її. Обчислення класифікаційних метрик збудованої моделі. З’ясування впливу степеня метрики Мінковського (від 1 до 20) на результати класифікації.

Лабораторна робота #5

Методи кластеризації. Використання Scikit-learn (cluster.AgglomerativeClustering, cluster.KMeans, neighbors.NearestCentroid).

Виконання розбиття набору даних на кластери, використовуючи функцію KMeans та AgglomerativeClustering. Виведення центрів кластерів. Порівняння результатів двох методів кластеризації.