Труды КНЦ вып.12 (ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ вып. 5/2021(12))

контекстом в FCA) и изучения различных зависимостей между атрибутами. АФП является одной из популярных алгебраических парадигм для представления и анализа объектно-признаковых данных со множеством приложений в майнинге данных, машинном обучении, интернет-математике, информационном поиске, анализе социальных сетей и эпистемических сообществ, криминалистике, информационной безопасности, в онтологическом моделировании и представлении знаний и др. [31]. В работе [32] сформулированы основные идеи АФП, а наиболее полное изложение по АФП приведено в [33]. Модели представления, выявления и интенсивной обработки знаний описываются в работе [34], в [35] описано применение АФП в научно - исследовательских и промышленных проектах. В работе [36] описаны связи АФП с нахождением ассоциативных правил, машинным обучением, теорией «грубых» и нечётких множеств и другими. В работе [37] описывается применение АФП при построении онтологий и использованием онтологий в приложениях АФП. В работе [38] показано, как метод АФП может быть использован для пополнения баз знаний, а в работе [39], как и в [37], описано применение АФП для построения онтологий. В работе [40] описан подход прототипирования в онтологической инженерии и предлагается использовать АФП для построения небольших персональных и специальных онтологий. В работе [41] описан подход к определению концептуальной устойчивости для построения таксономий пользователей веб-сайтов с использованием АФП. Объектно-признаковые зависимости могут быть визуализированы с использованием метода АФП при помощи диаграммы решётки формальных понятий [31]. Основой решеток формальных понятий является соответствие Галуа, которое задается на множестве объектов и признаков и обладает свойством уменьшения объёма с ростом содержания [42]. АФП является популярной алгебраической парадигмой для представления и анализа объектно-признаковых данных со множеством приложений в майнинге данных, машинном обучении, Интернет-математике, информационном поиске, анализе социальных сетей и эпистемических сообществ, криминалистике, информационной безопасности др. Заключение Проведен краткий обзор методов и алгоритмов Data Mining, проанализированы их достоинства и недостатки. Целью обзора является краткое описание методов и алгоритмов, а также перечисление источников, в которых они описаны подробно. Рассмотрены особенности существующих подходов к решению задач, требующих обрабатывать как количественные, так и качественные данные, проведен анализ современных методов решения задач Data Mining. Описанные в статье методы Data Mining применялись при решении прикладных задач в ходе выполнения работ по темам НИР ИИММ КНЦ РАН. Кроме описанных методов, были апробированы и другие методы Data Mining, в частности нейронные сети, иерархические методы кластерного анализа и др., применение которых дало лишь предварительные результаты. Для проведения исследований необходимо применять программные реализации методов Data Mining, такие как SPSS, SAS, STATGRAPHICS, Statistica, др. Эти программные продукты предоставляют возможность реализации набора методов Data Mining, что позволяет сравнить полученные 97