Python代写｜Manufacturing Data Science 製造數據科學 Assignment 4

itcs％1 $ S

这是一篇来自台湾的关于利用開放數據中包含了一個半導體製造數據回答下列問題的Python代写

 

  1. (40%) Data Imbalance Problem

在 UCI Machine Learning Repository 開放數據中包含了一個半導體製造數據(semiconductor manufacturing dataset，https://archive.ics.uci.edu/ml/datasets/SECOM)，一共包含了 1,567 個觀測值，而每個觀測值具有 590 個特徵(感測值的量測結果)以及作為目標值的測試結果(為二元變數，良品為-1，不良品為 1)，其中不良品僅有 104 個樣本。試著參考網路資源學習並撰寫程式，使用此數據回答下列問題。

(a) (15%) 試在該數據分析流程中加入數據平衡的步驟，使用三種方法來進行數據平衡(e.g.使用上抽樣、下抽樣或是代價敏感學習等)。

(b) (5%) 建議選用哪種方法最為合適？為什麼？

(c) (10%) 對於數據多數群與少數群的比例應當調整至多少？為什麼？試透過調整生成比率(i.e. 敏感度分析)來看模型分類結果。

(提示：將敏感度分析以繪圖呈現兩條曲線，x 軸為不同生成比例、y 軸為偽陽性率(false positive rate)與偽陰性率(false negative rate))

(d) (10%) 試說明特徵挑選步驟應於數據平衡前或後，這對預測結果有何影響？

  1. (30%) Programming Questions

Please use Python to answer the following questions. Provide your code and justify your answer.

Show all your work in detail including specific algorithm and parameter design. You should hand in TWO files (one for Tabu and one for Genetic Algorithm) regarding to each meta-heuristic algorithm,respectively. The result should include optimal solution (i.e., job sequence), optimal function (i.e. fitness) value, running time, number of tardy jobs. For the parameter settings (eg. tabu size,crossover rate, mutation rate, etc.), please give a simple trial-and-error or design of experiment for sensitivity analysis.

Single-Machine Scheduling Problem

Please answer following single-machine total weighted tardiness problem. The objective function is

to minimize the total weighted tardiness.

(a) (0%)  Learn Genetic Algorithm (GA) from the internet video

or

https://www.youtube.com/watch?v=Fdk7ZKJHFcI .

(b) (15%) Develop Tabu Search (TS) algorithm to solve the problem. Show your design and the “result”.

(c) (15%) Develop Genetic Algorithm (GA) to solve the problem. Show your design and the “result”.

  1. (30%) Markov Decision Process

考慮一個沒有折損因子的機台維修保養的馬可夫決策過程，機台有四個狀態(健康, 可用, 耗損, 損壞)，其各別獎勵為(6, 3, 1, -15)。「損壞」狀態為吸收狀態(absorbing)，行動主要有兩種(加工, 保養)。

  • 在狀態「健康」的情況下，採取行動「加工」，轉移到「健康」的機率為 0.8；轉移到「可用」的機率為 0.2；轉移到「耗損」的機率為 0.1；轉移到「損壞」的機率為 0.0。
  • 在狀態「健康」的情況下，採取行動「保養」，轉移到「健康」的機率為 1.0；轉移到其他狀態的機率為 0.0。
  • 在狀態「可用」的情況下，採取行動「加工」，轉移到「健康」的機率為 0.0；轉移到「可用」的機率為 0.6；轉移到「耗損」的機率為 0.3；轉移到「損壞」的機率為 0.1。
  • 在狀態「可用」的情況下，採取行動「保養」，轉移到「健康」的機率為 0.8；轉移到「可用」的機率為 0.2；轉移到其他狀態的機率為 0.0。
  • 在狀態「耗損」的情況下，採取行動「加工」，轉移到「健康」的機率為 0.0；轉移到「可用」的機率為 0.1；轉移到「耗損」的機率為 0.5；轉移到「損壞」的機率為 0.4。
  • 在狀態「耗損」的情況下，採取行動「保養」，轉移到「健康」的機率為 0.2；轉移到「可用」的機率為 0.5；轉移到「耗損」的機率為 0.3；轉移到「損壞」的機率為 0.0。

試著參考網路資源學習並撰寫程式，使用此數據回答下列問題。

(a) (5%) 試根據題目繪製轉移機率圖(transition probability diagram)；

(b) (10%) 使用價值迭代來決定最佳策略以及各個狀態的價值；

(c) (10%) 使用策略迭代來決定最佳策略以及各個狀態的價值，假設初始策略為在所有狀態皆採取行動「加工」；

(d) (5%) (d)承接(c)的答案，如果初始策略在所有狀態皆採取行動「保養」，策略迭代的計算過程與結果有什麼差異？

Note

  1. Show all your work in detail. Innovative idea is encouraged.
  2. If your answer refers to any external source, please “must” give an academic citation. Any “plagiarism” is not allowed.

程序代写代做C/C++/JAVA/安卓/PYTHON/留学生/PHP/APP开发/MATLAB

本网站支持淘宝 支付宝 微信支付  paypal等等交易。如果不放心可以用淘宝交易！

E-mail: itcsdx@outlook.com  微信:itcsdx

如果您使用手机请先保存二维码，微信识别。如果用电脑，直接掏出手机果断扫描。

发表评论