Celem laboratorium jest zapoznanie studentów ze środowiskiem Orange Data Mining. W ramach ćwiczenia prezentowany jest interfejs narzędzia, możliwości wizualizacji zbiorów danych, algorytmy do odkrywanai asocjacji, klasyfikatory, algorytmy uczenia nienadzorowanego, a także możliwość pisania własnych skryptów.

• Uruchom program Orange Canvas
• Wykorzystaj operator Paint Data do przygotowania przykładowego zbioru danych.
• Otwórz w narzędziu Orange plik iris.tab i zapoznaj się z możliwościami wizualizacji danych oferowanymi przez Orange Data Mining: wyświetl zawartość pliku za pomocą operatora Data Table, a następnie przetestuj możliwości następujących operatorów:
  • Distributions
  • Box Plot
  • Scatter Plot
  • Heat Map
  • Linear Projections
  • Mosaic Display.
• Przy użyciu operatora Data Sampler wybierz 10% danych i wyślij je do operatora Discretize, przetestuj poszczególne schematy dyskretyzacji.
• Sprawdź działanie operatora Outliers, przy czym do tego celu wykorzystaj dane niewybrane przez Data Sampler.
• Skorzystaj z operatora Feature Construction do skonstruowania dwóch dodatkowych atrybutów, reprezentujących stosunek wysokości do szerokości płatków i słupków. Następnie przejdź do zakładki Unsupervised i skorzystaj z operatora Example Distance do skonstruowania macierzy odległości między obiektami. Wyświetl macierz odległości i wyślij ją do operatora Hierarchical Clustering w celu zbudowania dendrogramu obiektów.
• Powtórz konstrukcję dendrogramu obiektów dla oryginalnego zbioru atrybutów

• Pobierz na lokalną maszynę plik ed-lab1.ipynb i uruchom ją w środowisku Jupyter Notebook