MolnAtt.github.io/5000N.html at master · MolnAtt/MolnAtt.github.io · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
<!DOCTYPE html>
<html lang="hu">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">

    <link rel="preconnect" href="https://fonts.googleapis.com">
    <link rel="preconnect" href="https://fonts.gstatic.com" crossorigin>
    <link href="https://fonts.googleapis.com/css2?family=Source+Code+Pro&display=swap" rel="stylesheet">

    <link rel="shortcut icon" href="static/pic/favicon.ico" type="image/x-icon">
    <title>HF-5000N</title>
    <link rel="stylesheet" href="static/css/general.css">
</head>
<body>
<header><h1><a href="./index.html">Házi feladat</a></h1></header>

<main>
    <h2>5000N Adatvizualizáció és gépi tanulás: Nőszirmok </h2>
    <article>
        <h3>Általános leírás</h3>
        <p>
            A feladatot HTML+JS+CSS környezetben kell elvégezni. Feladatod az, hogy egy textarea-ban bemásolva az input fájlt, egy gombra kattintva beolvassa a JS az adatokat és azokkal három fő feladatot végezzen.
        </p>
        <ol>
            <li><b>Adatvizualizáció:</b> Megadott szempontok szerint ábrázold az adatokat!</li>
            <li><b>Felügyelt tanulás:</b> A K nearest neighbour algoritmussal vizsgáld meg, hogy egy új adat milyen kategóriába tartozna az adatbázis alapján. </li>
            <li><b>Nem felügyelt tanulás:</b> A K means clustering algoritmussal határozz meg kategóriákat, amik elkülönülnek. </li>
        </ol>

        <h4>Adatvizualizáció</h4>
        <p>
            Adott egy SVG elem, amibe rajzolni kell. Legyen két input-mező, amin a rácsozás (nagyítás) mértéke állítható.
            A rajzolás során a sok szempont közül kettő választható ki, ezeket egy select vagy radiogomb csoporttal lehessen kiválasztani.
        </p>
        <h4>K nearest neighbours</h4>
        <p>
            Legyen egy input mező, amiben a K értékét lehessen megadni, az algoritmus ez alapján a K alapján fusson. Legyen egy olyan input mező is, amivel a távolságfogalom legyen állítható: Euklideszi vagy Manhattan távolság.
            Legyenek inputmezők a különböző mezőnevekre, ami alapján egy új elemet lehessen bevinni. A mezők közül egyedül a kategória hiányozzon! (Pl. a nőszirmok esetében a nőszírom faja, a borok esetében a bor minősége, stb.) Legyen egy gomb, amire rányomva az algoritmus lefut: a megadott adatok alapján milyen kategóriába tartozhat a megadott adat. Ezt a választ egy divbe írja ki a program.
        </p>
        <h4>K means clustering</h4>
        <p>
            Legyen egy input mező, ahol a K értékét meg lehet adni. Legyen egy gomb, amit megnyomva ábrázolja az adatbázisban található objektumokat, de azokat nem az adatbázisban szereplő nőszirom típus alapján színez, hanem elvégezve a K means clusteringet az így kialakult csoportosítás alapján színezi.
        </p>
    </p>
    <p><a href="input/5000N/5000N_noszirmok.csv">5000N_noszirmok.csv</a></p>

    <h3>(N) Nőszirmok</h3>
    <p>Az 5000N_noszirmok.csv fájlban egy vesszőkkel tagolt adattábla található, a mezők a következőket jelentik:</p>
    <ul>
        <li>sepal length: A nőszirom csészelevelének hossza egy tizedesjegy pontossággal</li>
        <li>sepal width: A nőszirom csészelevelének szélessége egy tizedesjegy pontossággal</li>
        <li>petal length: A nőszirom szirmának hossza egy tizedesjegy pontossággal</li>
        <li>petal width: A nőszirom szirmának szélessége egy tizedesjegy pontossággal</li>
        <li>class: A nőszirom pontos faja, ami Iris-setosa, Iris-versicolor vagy Iris-virginica</li>
    </ul>
    <p>
        Az első négy számnál a tizedesvessző <b>ponttal</b> van jelölve!
    </p>

</article>
</main>
<footer>
    <a href="mailto:molnar.attila@szlgbp.hu">molnar.attila@szlgbp.hu</a>
</footer>
</body>
</html>