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

результаты и выбрать наиболее приемлемый. При проведении исследований использовались такие программные приложения как Statistica (кластерный анализ, деревья решений, нейронные сети), Обозреватель концепций ConExp (анализ формальных понятий, поиск ассоциативных правил) и др. Методы Data Mining широко применяются в группах бизнес-аналитики и анализа данных, помогая извлекать знания для решения прикладных задач в различных отраслях, таких как продажи и маркетинг, образование, интеллектуальный анализ процессов (Process Mining) и др. Большинство исследователей, применяющих в работе методы Data Mining отмечают, что их достоинствами являются точность, проверяемость, быстрота, интерпретируемость, масштабируемость и наглядное представление результатов вычислений. Наличие этих достоинств объясняет популярность методов Data Mining. Список литературы 1. Дьяконов А. Г. Некоторые задачи дискретной математики, возникающие в современных приложениях при анализе данных / / Spectral and Evolution Problems, 2012. т. 22. С. 66-75. 2. Щавелёв Л. В. Способы аналитической обработки данных для поддержки принятия решений СУБД // Системы управления базами данных, 1998. № 4-5. 3. Chickering D., Geiger D., Heckerman D. Learning Bayesian networks: The combination of knowledge and statistical data Machine Learning. 1995. № 20. Pp. 197-243. 4. Heckerman D. Geiger D., Chickering D.M. Learning Bayesian networks: the combination of knowledge and statistical data. Machine Learning, 1995. № 20. Pp. 131-163. 5. Heckerman D. Bayesian Networks for Data Mining Data Mining and Knowledge Discovery. 1997. № 1. Pp. 79-119. 6. Friedman N., Geiger D., Goldszmidt M. Bayesian Network Classifiers Machine Learning. 1997. № 29. Pp. 131-165. 7. Минский М. Шаги к искусственному интеллекту // Proceedings ofthe IRE. 1961. № 49. С. 8-30. 8. Mehta M., Shafer J., Agrawal R. SPRINT: A Scalable Parallel Classifier for Data Mining // Proceedings of the 22nd Int'l Conf. Very Large Data Bases, Morgan Kaufmann, San Francisco. 1996, Pp. 544-555. 9. Чубукова И. Data Mining [Электронный ресурс] // НОУ ИНТУИТ [NOU INTUIT], URL https://loginom.ru/blog/decision-tree-p1. (дата обращения: 18.11.2021). 10.B. Scholkopf, G. Ratsch, K. Muller, K. Tsuda, S. Mika An Introduction to Kernel- Based Learning Algorithms // Proceedings of the IEEE Neural Networks, 2001. № 12(2). Pp. 181-201. 11.Hovland C. I. Computer simulation of thinking. American Psychologist, 1960. № 15(11). Pp. 687-693. 12.Hunt Earl B., Janet Marin, Philip J. Stone. Experiments in Induction. New York: Academic Press. 1966. ISBN 978-0-12-362350-8. 13.Quinlan J. R. Induction of decision trees. Machine Learning, 1986. № 1(1). Pp. 81­ 106. 98