Arvestuse saamiseks tarvilik kursuses XML rakendused kevadsemestril 2017
(digimeedia rühm)

* Päringud data.frame-st                                        9.02
* Andmete sidumine, joonised                                   16.02
* Veebis töötavad muudetavate parameetritega joonised          23.02
* Muudetavate andmete ja usaldusnivooga veebijoonis            02.03
* XSD skeem koos XML näitfailiga                               09.03
* Peakomponendid, faktoranalüüs ja korrespondentsanalüüs       30.03
* Multidimensionaalne skaleerimine, klasterdamine              06.04
* Masinõpe keeleandmete järgi                                  13.04



Selgitusi

* Päringud data.frame-st

Koostage aluseks andmete loetelu oma kümnekonnast tuttavast
Nt. eesnimi, pikkus, sugu, sünniaasta, lastearv

Tehke andmestikule mõned päringud R-keele abil
Näiteks:
Vanima inimese sünniaasta
Meesterahvaste keskmine pikkus
Vanus vastavalt sünniaastale
Keskmine sünniaasta sugude kaupa

Esitamiseks piisab väljundi koopiast

* Andmete sidumine, joonised

Sisendiks kasutage kahte andmefaili. Näiteks: eelmise tunni tarbeks loodud tuttavad, 
kuhu iga isiku kohta sisestate, millisel aastaajal ta sündis.
Teise faili igale reale kirjutage aastaaeg ning sellele vastav värvitooni nimi.
Merge abil siduge kahest failist tulevad andmed kokku.

Koostage andmete põhjal paar joonist.

* Veebis töötavad muudetavate parameetritega joonised

Illustreeriv joonis, mille välimust ja esitatavaid väärtusi saab kasutaja veebis muuta. 
Kasutada võib näiteks shinyapps.io serverit

* XSD skeem koos XML näitfailiga

Näite aluseks failid
http://minitorn.tlu.ee/~jaagup/kool/java/naited20/html/xml/inimesed1.xsd
http://minitorn.tlu.ee/~jaagup/kool/java/naited20/html/xml/inimesed1.xml

Koostage jada oma andmetega (nt. koerad).
Kasutage ka valikulisi elemente ning erisuguseid andmetüüpe. 

* Peakomponendid, faktoranalüüs ja korrespondentsanalüüs       30.03

Oma otsitud andmetega näide peakomponentide analüüsist, faktoranalüüsist
ja korrespondentsanalüüsist.
http://minitorn.tlu.ee/~jaagup/kool/java/kursused/17/xmlrak/baayenCUPstats.pdf
5. peatükk
http://minitorn.tlu.ee/~jaagup/kool/java/kursused/17/xmlrak/digi/08faktorid/


* Multidimensionaalne skaleerimine, klasterdamine              06.04

5. peatükk eelmises ülesandes viidatud õpikust
Oma otsitud andmete põhjal näide multidimensionaalse skaleerimise kohta, 
k-keskmiste abil rühmitamise kohta, 
hierarhilise klasteranalüüsi abil tunnuste rühmitamise kohta,
hierarhilise klasteranalüüsi abil objektide rühmitamise kohta
http://minitorn.tlu.ee/~jaagup/kool/java/kursused/17/xmlrak/digi/09klastrid/

Masinõpe lähinaabrite järgi

Tutvu juhendiga andmerühmade määramiseks lähinaabrite järgi
https://www.datacamp.com/community/tutorials/machine-learning-in-r

Võta aluseks eelnevalt rühmadesse määratud tekstid. Püüa uuritav tekst sobivasse rühma paigutada.