Серьезно переработан блок очистки данных. Вместо одного обработчика «Парциальная обработка» появилось несколько модулей:
— Оценка качества данных
— Заполнение пропусков
— Редактирование выбросов
— Спектральная обработка
Обработчик «Оценка качества данных» предназначен для проведения профайлинга и аудита данных с целью определения степени их пригодности для решения задач анализа по объективным критериям. Выполнив единственную операцию, пользователь может сразу увидеть «масштаб бедствия» и наметить способы улучшения качества данных.
Добавлены новые обработчики:
— Сэмплинг. Построение репрезентативной выборки. Варианты сэмплинга: случайный, равномерный, стратифицированный, пользовательский, отбор со смещением.
— Разбиение данных на обучающее и тестовое множество. Обеспечивает возможность строить Data Mining модели на идентичных выборках.
— Конечные классы. Расчет оптимальных способов квантования, с удобной визуализацией, расчетом показателей качества разбиения, возможностью ручной правки конечных классов.
Александра Басова – Детектор лжи / Детектор брехні. Сезон 8. Выпуск 5 от 21.09.2015
— Масштабируемые алгоритмы кластеризации: CLOPE, EM.
— Декомпозиция временных рядов. Выделение тренда, сезонной составляющей и остатка, с возможностью удобной ручной правки полученных коэффициентов.
— Нечеткая фильтрация данных и Изменение переменных
Доработаны и значительно улучшены имеющиеся обработчики:
— Факторный анализ: методы вращения варимакс и квартимакс;
— Логистическая регрессия: пошаговые методы отбора, внесение поправок на априорные вероятности, взвешенная регрессия, расчет баллов скоринговых карт, взаимодействия второго уровня на основе кросс-переменных.
— Линейная регрессия: пошаговые методы отбора переменных.
— Калькулятор: повторное использование полей, обращение по абсолютным адресам, новые функции.
— Групповая обработка: упрощение процесса построения сценариев
Многочисленные улучшения и новые возможности в диаграмме, OLAP-кубе и кросс-диаграмме.
Источник: www.panvasoft.com
Deductor Academic
Deductor Academic Аналитическая платформа, т.е. основа для создания законченных прикладных решений. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов.
Deductor предоставляет аналитикам инструментальные средства, необходимые для решения самых разнообразных аналитических задач: корпоративная отчетность, прогнозирование, сегментация, поиск закономерностей – эти и другие задачи, где применяются такие методики анализа, как OLAP, Knowledge Discovery in Databases и Data Mining. Deductor является идеальной платформой для создания систем поддержки принятия решений. Реализованные в Deductor технологии могут использоваться как в комплексе, так и по отдельности для решения широкого спектра бизнес-проблем: системы корпоративной отчетности, обработка нерегламентированных запросов, анализ тенденций и закономерностей, планирование, ранжирование, прогнозирование, управление рисками, анализ данных маркетинговых и социологических исследований, диагностика и обнаружение объектов на основе нечетких критериев. Deductor позволяет совершенно по-новому взглянуть на данные, выжимая из них максимум ценной информации. Он объединяет все необходимые для анализа инструменты и предоставляет пользователям огромные возможности: • Мощная аналитическая платформа; • Современные самообучающиеся механизмы анализа; • Единое хранилище данных; • Единый пользовательский интерфейс для любых механизмов анализа; • Пакетное выполнение сценариев обработки; • Удаленная аналитическая обработка; • Отделение работы аналитика от конечного пользователя.
Как определить трейдера мошенника за 2 минуты? Трейдинг и инвестиции с умом
Версии
x32/x64 (28.15 МБ)
Нет официального представителя разработчика на сайте
Стать представителем
Рейтинг
Нажмите, для быстрой оценки
Оставить отзыв
Отзывы
1 месяц назад
4 года назад
А как с помощью программы сельским, деревенским производителям создать сеть региональных представителей по всей стране с выходом на экспорт?
5 лет назад
Сложный но нелишний инструмент сельским,деревенским бренд-менеджерам.
11 лет назад
всё отлично
Похожие приложения
Alcohol 120%
Версия: 2.1.1.61
Версия: 8.92.0.2 (85.01 МБ)
Версия: 4.0 Buil (10.46 МБ)
Источник: freesoft.ru
Deductor academic что это за программа
1. Артюшина Е.А., Бершадская E.Г. Реляционное хранилище данных для внутривузовской системы обеспечения качества подготовки специалистов // XXI век: итоги прошлого и проблемы настоящего плюс: Научно-методический журнал – Пенза:Изд-во Пенз.гос.технол.ун-та, 2013. – № 10(14). – C.184-189.
2. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям: Учеб. пособие. 2-е изд., испр. — СПб.: Питер, 2013. — 704 с.
Для эффективного хранения информации широчайшим образом используются операционные БД (OLTP) и соответствующие программные средства – СУБД. Получить данные из базы можно путем организации запроса на языке SQL.
Однако принятие стратегических решений на основе сведений из OLTP-системы во многих случаях затруднено. Особенно сложной становится попытка качественного и всестороннего анализа большого объема оперативной информации, накопленной в конкретной организации за многие годы. Поэтому ретроспективные данные сегодня сохраняются в отдельных базах, доступных лишь для чтения и дальнейшей аналитической обработки, например, по технологии OLAP (OnLine Analytical Processing).
Хранилище данных (Data Warehouse) – оптимально организованная БД, содержащая данные, агрегированные по многим измерениям, и обеспечивающая максимально быстрый доступ к информации, необходимой для принятия управленческих решений [1]. Агрегаты (или суммарные показатели) хранятся в явном виде, чтобы ускорить выполнение аналитических запросов. Пополнение ХД происходит периодически из различных внешних источников, в том числе – из статистических отчетов.
Базовая концепция OLAP имеет несколько разновидностей: OLAP со многими измерениями (Multidimensional OLAP – MOLAP ); реляционный OLAP (Relational OLAP – ROLAP ); гибридный OLAP (Hybrid OLAP – HOLAP ) и др. В настоящее время большое распространение получили реляционные ХД, не требующие от клиентских станций столь значительных вычислительных мощностей, как инструменты MOLAP. Для реализации ROLAP-систем могут использоваться встроенные в СУБД аналитические средства, например, MS SQL Server Analysis Services, либо аналитические платформы, такие как платформа Deductor от российского разработчика BaseGroup Labs.
Основными этапами создания ХД в программе Deductor Studio Academic являются: проектирование структуры хранилища, формирование ROLAP-схемы «снежинка», загрузка внешних данных в ХД и, наконец, визуализация данных из хранилища. На этапе проектирования осями многомерной системы координат назначают основные атрибуты анализируемого управленческого или бизнес-процесса.
Например, для ХД «Фармация» это товар, отдел и дата продажи [2]. В качестве одного из измерений обязательно используется время. На пересечениях осей-измерений находятся данные, количественно характеризующие процесс – меры (на рис. 1 это сумма продажи и количество единиц товара). Концептуальную модель ХД представим в виде многомерного куба (рис. 1)
Рис. 1. OLAP-куб «Выручка и объем продаж лекарств в аптечной сети»
На логическом уровне многомерная модель воплощается в реляционную схему «снежинка» (рис. 2), обеспечивающую максимально эффективную работу с иерархиями:
Рис. 2. ROLAP-схема «снежинка» (нотация IDEF1X)
Подобную схему построения реляционного ХД в Deductor Studio Academic реализуют с помощью редактора метаданных. При этом для каждого узла метаданных – измерения или его атрибута — задают идентификатор, метку и тип данных. Например, для измерения «Товар» это будут TV_ID, Код_товара и целый тип, соответственно.
Затем определяют ссылки или иерархию измерений и их связь с центральной таблицей фактов (рис. 3). Следующим важным этапом является загрузка внешних данных в ХД. Источниками структурированных данных в образовательной версии платформы Deductor Academic могут служить обычные txt-файлы.
Рис. 3. Семантический слой реляционного ХД «Фармация»
Сценарий загрузки имеет древовидную форму, его узлами является последовательность таких операций как: 1) импорт данных из внешних источников; 2) экспорт данных в измерения с атрибутами, начиная с самого верхнего уровня иерархии (с измерения «Группа_товаров»); 3) экспорт данных в процесс «Продажи». Фрагмент сценария загрузки из файла проекта MyLoad.ded, изображен на рис. 4.
Рис. 4. Панель сценариев ХД «Фармация»
На заключительном этапе с помощью мастера визуализаций создают сценарий получения данных из ХД и формируют OLAP-отчеты. Они представляют собой 3-мерные таблицы, в заголовках строк и столбцов которых содержатся аналитические признаки (срезы данных) с вложенной группировкой, а в ячейках – суммарные показатели отчета.
Источник: top-technologies.ru