Как сделать имя патогена ирис

Добавил пользователь Дмитрий К.
Обновлено: 04.10.2024

Ирис(Айрис) была греческой богиней олицетворяющей радугу. Она считалась посланницей богов. Дочь Таумы и Электры, Ирис, по-видимому, была единственным божественным посланником, до того как, Гермес принял на себя эту функцию, она стала верной служанкой Геры. Ее сестры были гарпиями, а мужа иногда называли зефиром.

Функционал богини

Ирис была одновременно олицетворением радуги и божественным посланником. Древние греки сочетали эти две функции в радужной оболочке, так как радуга - метеорологическое явление, соединяет небо и землю, и, следовательно, только ее дух мог служить связующим звеном между богами и смертными. Столь же естественным был и выбор имени богини: Ирис - греческое слово, обозначающее “радугу“.

Оригинальный Посланник: Сравнение Ирис и Гермес

Ирис была дочерью Темного Титана Таумаса, океаниды Электры и сестрой гарпий. Описанная как” ветроногая “и” грозовая“, а также” златокрылая “и” росистая", Ирис часто изображалась с крылатыми сандалиями (талария) и посохом посланника (керикейон).

Интересно, что Гермес в конечном итоге стал более известным из двух посланников, похоже, что именно Ирис монополизировала эту функцию в более ранние дни. Фактически, в гомеровской "Илиаде" она единственная передает послания от Зевса – и, однажды, Геры – другим богам или смертным, причем Гермесу отводится гораздо меньшая роль проводника и хранителя. Поразительный пример можно найти в последней книге "Илиады", когда Зевс посылает Ириду сообщить Приаму о своем милосердном решении относительно тела его сына, а Гермес просто незаметно проводит троянского царя к Ахиллесу.

Сообщается, что в этот период Ирис выполняла многие жизненно важные задачи, такие как информирование Менелая о похищении Елены или даже автономное исполнение молитв Ахилла и призывание ветров, чтобы зажечь погребальный костер своего друга Патрокла. Однако уже в "Одиссее" роль божественного вестника полностью берет на себя Гермес, А Ирис нигде не упоминается.

Верность Гере

Позднее поэты попытались разграничить функции Гермеса и Ирис, сделав первого посланником Зевса (и большинства других богов) и превратив Ирис в верного слугу Геры. Каллимах, греческий ученый-Эрудит III века до н. э., заходит так далеко, что даже сравнивает Ирис с охотничьей собакой Геры, потому что она всегда сидела у трона Геры и ее уши всегда были подняты, чтобы принимать ее зов. Вот почему от имени Геры в “Геракле” Еврипида Ирис повелевает неохотной Лиссе-духу безумия и безумной ярости-довести Геракла до припадка безумия, который заставляет его убивать своих сыновей. В “Энеиде” Вергилия Ирис явно изображается как посланница Геры.

Мобильные операторы, предоставляя разнообразные сервисы, накапливают огромное количество статистических данных. Я представляю отдел, реализующий систему управления трафиком абонентов, которая в процессе эксплуатации у оператора генерирует сотни гигабайт статистической информации в сутки. Меня заинтересовал вопрос: как в этих Больших Данных (Big Data) выявить максимум полезной информации? Не зря ведь одна из V в определении Big Data — это дополнительный доход.

Я взялся за эту задачу, не являясь специалистом в исследовании данных. Сразу возникла масса вопросов: какие технические средства использовать для анализа? На каком уровне достаточно знать математику, статистику? Какие методы машинного обучения надо знать и насколько глубоко? А может лучше для начала освоить специализированный язык для исследования данных R или Python?

Термины

Для начала давайте разберемся с предметом изучения. Сейчас термины Искусственный Интеллект, Машинное Обучение, Глубокое Машинное Обучение зачастую используются как синонимы, но на самом деле существует вполне определенная иерархия:

К Искусственному Интеллекту относятся все задачи, в которых машины выполняют интеллектуальные задачи, такие как игра в шашки или шахматы, помощники, способные распознавать речь и давать ответы на вопросы, разнообразные роботы.
Машинное Обучение – более узкое понятие и относится к классу задач, для решения которых компьютер обучают выполнять определенные действия, имея заранее известные правильные ответы, например, классификация объектов по набору признаков или рекомендация музыки и фильмов.
Под Глубоким Обучением подразумевают задачи, которые решаются с помощью нейронных сетей и Больших Данных, такие как распознавание образов или перевод текста.

Без учителя (самообучение) – это поиск скрытых закономерностей в данных. К таким алгоритмам относится кластеризация. Например, все крупные торговые сети ищут закономерности в покупках своих клиентов и пытаются работать с целевыми группами покупателей, а не с общей массой.

Регрессия, классификация и кластеризация являются основными алгоритмами исследования данных, поэтому их и будем рассматривать.

Исследование данных

Алгоритм исследования данных состоит из определенной последовательности шагов. В зависимости от задачи и имеющихся данных набор шагов может меняться, но общее направление всегда определенное:

Сбор и очистка данных. Как показывает практика, этот этап может занимать до 90% времени всего анализа данных;
Визуальный анализ данных, их распределение, статистики;
Анализ зависимости (корреляции) между переменными (признаками);
Отбор и определение признаков, которые будут использоваться для построения моделей;
Разделение на данные для обучения модели и тестовые;
Построение моделей на данных для обучения / оценка результата на тестовых данных;
Интерпретация полученной модели, визуализация результатов.

А мы начинаем наше исследование!

Сбор и очистка данных

В примере с Ирисами для нас все данные собрали и заполнили. Просто загружаем их и смотрим:

Видим, что набор данных состоит из длины/ширины двух типов лепестков Ириса: sepal и petal. Не спрашивайте меня, где они находятся у Ириса). Целевая переменная — это сорт Ириса: 0 — Setosa, 1 — Versicolor, 2 — Virginica. Соответственно, наша задача — по имеющимся данным попробовать найти зависимости между размерами лепестков и сортами Ирисов.

Для удобства манипулирования данными делаем из них DataFrame:

Вроде получилось, то что хотели:

Описательные статистики

Посмотрев на такие гистограммы, опытный исследователь может сразу делать первые выводы. Я вижу только, что распределение у некоторых переменных похоже на нормальное. Попробуем сделать более наглядно. Строим таблицу с зависимостями между признаками и раскрашиваем точки в зависимости от сортов Ирисов:

Зависимость между переменными

Теперь посмотрим на математические значения зависимостей:

В более наглядном виде построим тепловую карту зависимости признаков:

Значения коэффициента корреляции интерпретируются следующим образом:

До 0,2 — очень слабая корреляция
До 0,5 — слабая
До 0,7 — средняя
До 0,9 — высокая
Больше 0,9 — очень высокая

Отбираем и создаем признаки

В первом приближении можно просто включить все переменные в модель и посмотреть, что будет. Далее можно будет подумать, какие признаки убрать, а какие создать.

Данные для обучения и тестовые данные

Разделяем данные на данные для обучения и тестовые данные. Обычно выборку разделяют на обучающую и тестовую в процентном соотношении 66/33, 70/30 или 80/20. Возможны и другие разбиения в зависимости от данных. В нашем примере на тестовые данные отводим 30% от всей выборки (параметр test_size = 0.3):

Цикл построения моделей – оценка результата

Переходим к самому интересному.

Линейная регрессия – LinearRegression

Смотрим на метрики качества модели:

(0.41641913228540123, -0.3665140452167277, 0.96275709705096657, 5.7766609884916033e-86, 0.009612539319328553)
Из наиболее интересного — это коэффициент корреляции между переменными r_value со значением 0.96275709705096657. Его мы уже видели ранее, а здесь еще раз убедились в его существовании. Рисуем график с точками и линией регрессии:

Видим, что, действительно, найденная линия регрессии хорошо повторяет направление распределения точек. Теперь, если у нас будет в наличии, например, длина листочка pental, мы сможем с большой точностью определить, какая у него ширина!

Классификация

Как интуитивно представить классификацию? Если смотреть на задачу разделения на два класса объектов, которые имеют два признака (например, нужно разделить яблоки и бананы, если известны их размеры), то классификация сводится к проведению линии на плоскости, которая делит объекты на два класса. Если надо разделить на большее число классов, то проводится несколько линий. Если смотреть на объекты с тремя переменными, то представляется трехмерное пространство и задача проведения плоскостей. Если переменных N, то нужно просто вообразить гиперплоскость в N-мерном пространстве).

Итак, берем самый известный алгоритм обучения классификации: стохастический градиентный спуск (Stochastic Gradient Descent). С градиентным спуском мы уже встречались в линейной регрессии, а стохастический говорит о том, что для быстроты работы используется не вся выборка, а случайные данные. И применяем его для метода классификации SVM (Support Vector Machine):

Смотрим на метрики качества модели:

На самом деле, оценить модель можно, не особо разбираясь в сути значений метрик: если accuracy, precision и recall больше 0.85, то это хорошая модель, если больше 0.95, то отличная.

Если кратко, то используемые в примере метрики отражают следующее:

Таким образом, видим, что значения метрик на нашем примере очень хорошие. Посмотрим на график. Для наглядности выборку рисуем в двух координатах и раскрашиваем по классам.

Сначала отобразим тестовую выборку, как она есть:

Потом, как ее предсказала наша модель. Видим, что точки на границе (которые я обвел красным) были классифицированы неправильно:

Но при этом большинство объектов предсказано правильно!

Cross-Validation

Как-то уж очень подозрительно хороший результат… Что может быть не так? Например, мы случайно хорошо разбили данные на обучающую и тестовую выборку. Чтобы убрать эту случайность применяют так называемую кросс-валидацию. Это когда данные разбиваются несколько раз на обучающую и тестовую выборку, и результат работы алгоритма усредняется.

Проверим работу алгоритма на 10 случайных выборках:

Смотрим на результат. Он ожидаемо ухудшился: 0.860909090909

Подбор оптимальных параметров алгоритма

Что еще можно сделать для оптимизации алгоритма? Можно попытаться подобрать параметры самого алгоритма. Видим, что в алгоритм передаются alpha=0.001, n_iter=100. Давайте найдем для них оптимальные значения.

На выходе получаем модель с оптимальными параметрами:

SGDClassifier(alpha=0.00089999999999999998, average=False, class_weight=None,
epsilon=0.1, eta0=0.0, fit_intercept=True, l1_ratio=0.15,
learning_rate='optimal', loss='hinge', n_iter=96, n_jobs=1,
penalty='l2', power_t=0.5, random_state=0, shuffle=True, verbose=0,
warm_start=False)

Видим, что в ней alpha=0.0009, n_iter=96. Подставляем эти значения в модель:

Смотрим, стало немного лучше: 0.915505050505

Отбираем и создаем признаки

Смотрим, стало еще немного лучше: 0.937727272727
Для иллюстрации подхода, давайте сделаем новый признак: площадь листка petal и посмотрим, что получится.

Подставляем в модель:

Мы познакомились с основными способами оптимизации моделей, теперь рассмотрим алгоритм кластеризации — пример машинного обучения без учителя.

Кластеризация — K-means

Для примера, рассмотрим самый известный алгоритм K-средних. Он не зря называется K-средних, т.к. метод основан на нахождении K центров кластеров так, чтобы среднее расстояния от них до объектов, которые им принадлежат были минимальные. Сначала алгоритм определяет K произвольных центров, далее все объекты распределяются по близости к этим центрам. Получили K кластеров объектов. Далее в этих кластерах заново вычисляются центры по среднему расстоянию до объектов, и объекты снова перераспределяются. Алгоритм работает до тех пор, пока центры кластеров не перестанут сдвигаться на какую-то определенную дельту.

Смотрим на результаты:

Видим, что даже с параметрами по умолчанию получается очень неплохо: accuracy, precision и recall больше 0.9. Убеждаемся на картинках. Видим достойный, но не везде точный результат:

У алгоритма есть недостаток — для его работы нужно задавать число кластеров, которое мы хотим найти. И если оно будет неадекватное, то результаты работы алгоритма будут бесполезны. Посмотрим, что будет, если задать число кластеров, например, 5:

Видим, что на практике результат не применим. Существуют алгоритмы определения оптимального числа кластеров, но в этой статье мы не будем на них останавливаться.

Заключение по исследованию Ирисов

Итак, на примере Ирисов мы рассмотрели три основных метода машинного обучения: регрессию, классификацию и кластеризацию. Провели оптимизацию алгоритмов и визуализацию результатов. Получили очень хорошие результаты, но это и было ожидаемо на специально подготовленном наборе данных.

Полный Python Notebook можно найти на Github. Переходим к Телекому.

Телеком

В Телекоме есть задачи, которые с помощью анализа данных решают и в других сферах (банки, страхование, ретейл):

Предсказание оттока абонентов (Churn Prevention);
Обнаружение мошенничества (Fraud Prevention);
Выявление похожих абонентов (Сегментация абонентской базы);
Перекрестные продажи (Cross-Sale) и поднятие суммы продажи (Up-Sale);
Выявление абонентов, сильно влияющих на свое окружение (Альфа-абоненты).

Предсказание потребления ресурсов сети абонентами: объём трафика, число звонков, SMS;
Исследование перемещений абонентов с целью оптимизации сети.

В биллинговой системе хранятся данные по платежам и расходам абонентов, тарифы, персональные данные;
Из оборудования DPI извлекаются данные о том, какие сайты посещал абонент;
C базовых станций можно получить геоданные c местонахождением абонента;
Оборудование обслуживания генерирует данные о потреблении абонентом услуг связи.

Для соблюдения конфиденциальности все данные для исследования были обезличены и заменены на случайные значения с соблюдением формата. Посмотрим на данные:

Какие алгоритмы машинного обучения можно применить к этим данным? Можно, например, агрегировать потребление трафика разного типа по абонентам за определенный период и провести кластеризацию. Должна получиться примерно такая картинка:

Т.е. если, например, результат кластеризации показал, что абоненты разделились на группы, которые по-разному используют Youtube, соцсети и слушают музыку, то можно сделать тарифы, которые учитывают их интересы. Предполагаю, что операторы связи так и поступают, выпуская линейки тарифов с дифференциацией оплаты по типу трафика.

Что еще можно проанализировать в имеющихся данных? Есть несколько кейсов с оборудованием абонентов. Оператор знает модель устройства абонента и может, например, предлагать определенные услуги только пользователям Samsung. Или, зная координаты базовых станций, можно нарисовать тепловую карту распределения телефонов Samsung (у меня нет реальных координат, поэтому карта к действительности не имеет отношения):

Может так получиться, что в каком-то регионе их окажется в процентном отношении больше, чем в других. Тогда эту информацию можно предложить Samsung-у для проведения рекламных акций или открытия салонов по продаже смартфонов. Далее можно посмотреть, на Top моделей устройств, с которых абоненты заходят в интернет:

Для маскировки современного положения вещей была взята устаревшая база IMEI, но сути подхода это не меняет. По списку видно, что большинство устройств — это Apple, модемы и Samsung-и, в конце появляются Meizu, Micromax и Xiaomi.

Собственно, это все применения исходным данным, которые я смог найти за короткое время. Конечно, по этим данным можно смотреть на разнообразные статистики и временные ряды, анализировать выбросы т.п., но вот так чтобы выявить какую-нибудь зависимость средствами машинного обучения… к сожалению, я не нашел пока, как это сделать.

Таким образом, вывод по исследованию Телеком данных такой: для полноценного решения задач оператора связи нужны данные из всех имеющиеся информационных систем, т.к. только имея доступ ко всем данным, можно эффективно стоить модели.

Обезьянка катается на козлике 04.08.2011 --> Смотрели: 2713 (9) Рыбы бабочки Красного моря 04.08.2011 --> Смотрели: 1786 (4) Мальдивы - рай для туристов. 06.07.2011 --> Смотрели: 2324 (12) Подводный мир 29.06.2011 --> Смотрели: 4513 (20) Гигантская черепаха 25.05.2011 --> Смотрели: 1502 (7)

-Музыка

-Поиск по дневнику

-Статистика

Этот цветок был известен людям очень давно. Изображения ириса найдены на Крите среди росписей Кносского дворца, построенного еще в конце III тысячелетия до нашей эры.

За пестрые по окраске цветы всех цветов радуги это растение названо именем греческой богини Ириды, опускавшейся на землю, чтобы возвестить людям волю богов. А название "ирис", которое в переводе с греческого означает "радуга", растению дал врач и естествоиспытатель Гиппократ.

Ирис красовался и на гербе города Флоренции. Римляне назвали город, окруженный плантациями белого ириса, Флоренцией, что означает "цветущая".

В Японии ирис защищал дома от пагубного влияния. В любой японской семье, имеющей сыновей, в традиционный День мальчиков (пятый день пятой луны) из цветов ириса и померанца готовится в этот день магический талисман ("майский жемчуг"), так как в японском языке одними и теми же иероглифами обозначаются названия ириса и слова "воинский дух". "Майский жемчуг", по преданию, должен вселить в душу юноши отвагу: даже листья растения очень похожи на мечи.

У христиан ирис символизирует чистоту, защиту, но также стал символом скорби и боли, причиной чему стали его острые клинообразные листья, которые будто олицетворяли страдания и печаль сердца Богоматери от страданий Христа. Особенно часто в качестве такого символа на изображениях Девы встречается голубой ирис. Ирис может также символизировать непорочное зачатие.

Как религиозный символ ирис впервые появляется в живописи ранних фламандских мастеров, и на изображениях Девы Марии он присутствует как вместе с лилией, так и вместо нее. Это символическое значение связано с тем, что название "ирис" означает "лилия с мечом", в чем усматривается намек на скорбь Марии о Христе.

Легенда о ирисе
На одной опушке расцвел чудо-цветок. Стали лесные звери и птицы спорить, кому он принадлежит. Четыре дня спорили, и спор сам собой разрешился. Созрели семена ириса, и ветер разнес их в разные стороны.

По легенде первый ирис расцвел несколько миллионов лет назад и был так прекрасен, что полюбоваться им пришли не только звери, птицы и насекомые, но и вода и ветер, которые затем разнесли созревшие семена по всей земле. А когда семена проросли и расцвели, ирис стал одним из любимых растений человека. Издали ирисы кажутся маленькими маячками, указывающими путь морякам.

Флоренция лишь потому названа римлянами Флоренцией, что вокруг этого этрусского поселения в свое время в изобилии росли ирисы, а дословный перевод с латинского на русский "Флоренция" - означает "цветущая". С тех пор ирис флорентийский украшает городской герб Флоренции.

Этот вид ириса прославился также тем, что с давних пор из его корневища научились извлекать душистое эфирное масло с ароматом фиалок. Именно поэтому корневище этого ириса называют фиалковым корнем. Этот естественный ароматизатор применялся в королевских гардеробных уже в XV в. Из 1 кг корневищ в среднем получают 7 г эфирного масла, которое используют в парфюмерии. Извлекают душистые вещества и из цветков.

Свое название цветок получил из рук знаменитого целителя Гиппократа, который дал имя растению в честь древнегреческой богини Ириды, провозглашающей людям волю олимпийских богов. Богиня Ирида сходила по радуге на землю, поэтому слово "Ирис" в переводе с греческого означает радуга. Карл Линней, который предложил единую систему научных названий растений, сохранил за ирисом его древнее имя.

А вот еще одна легенда об ирисах. Однажды радуга, прежде чем исчезнуть, рассыпалась на части. Чудесные осколки радуги упали на землю и проросли очаровательные цветы. Рассыпалась радуга на мелкие осколки - вот и зацвели ирисы. Проросли они, согласно поморской легенде, из слез рыбачки, которая часто оплакивала разлуки с мужем.

Другая легенда рассказывает. Когда титан Прометей похитил на Олимпе небесный огонь и подарил его людям, на земле вспыхнула дивным семицветием радуга - так велика была радость всего живого на свете. Уже и закат отгорел, и день угас, и солнце ушло, а радуга по-прежнему светилась над миром, даруя людям надежду. Она не гасла до самого рассвета. И когда утром снова вернулось на свое место солнце, там, где горела и переливалась красками волшебная радуга, расцвели ирисы…

Цветы ириса известны человеку с древнейших времён. На острове Крит на фреске, которая находилась на стене Кносского дворца, изображен жрец, окруженный цветущими ирисами. Этой фреске около 4000 лет. Цветки ириса запечатлены в камне восточных и римских галерей и балюстрад. В средние века они росли в садах замков и монастырей, откуда перенеслись в сады горожан. Арабы еще в глубокой древности высаживали на могилах дикий ирис с белыми цветами. А в Древнем Египте его разводили еще в XVI-XV веках до нашей эры, и он был там символом красноречия. В Аравии, наоборот, они были символом молчания и печали.

В России слово "Ирис" появилось как ботаническое название растений во второй половине XIX века, а до этого периода пользовались народным названием "Касатик", жители Украины называли ирисы "Петушок". В Болгарии, Сербии и Хорватии ирис называется Перуника - в честь славянского бога Перун.

У славянских народов широко использовалась радужная гамма цветов и оттенков и причудливые формы соцветия ирисов. Их можно было видеть в народных промыслах, в текстильной промышленности, а также в украшении быта: роспись жилища, утвари, одежды (в орнаменте рубах, сарафанов, рушников, шалей и полушалков).

На японском языке "ирис" и "воинский дух" обозначены одним и тем же иероглифом. 5 мая, в день мальчиков, весь народ совершает ханами - ритуальное любование цветами в ирисовых садах, где они растут погруженными в воду и в этот день изображения ирисов появляются на всех предметах обихода. В традиционный праздник мальчиков из цветов ириса готовят магический талисман, который должен вселить в душу юноши отвагу. Листья ириса похожи на мечи, и японцы глубоко убеждены в том, что они должны пробудить в будущем мужчине силу, мужество и отвагу. Некогда в день ханами японцы из цветков ириса и померанца готовили напиток, называемый майским жемчугом. Употреблявшие его исцелялись от многих болезней.

Ирис имеет множество названий (взято из словаря): Iris, касатик, петушок, певник (пивник), пискульник, касатка, пролеска, косички, сазаны, касатик, лепешник, чикан, петушки, бубенчики, чистяк, волчий огурец, заячьи огурчики, медвежьи огурцы, пикульник, певник, сорочьи цветы, чеменник. Среди всех названий наиболее распространенным остается нежное "касатик", то есть дорогой, любимый, желанный.

Изысканно-волшебные цветы
Небесно-голубым огнем в саду пылают.
Их нежные воздушные черты
Изяществом своим поэтов вдохновляют.

Их листья — словно лезвия меча,
Сражают строгостью и совершенством линий.
И я стою, взволнованно шепча,
Стихи об ирисе среди гвоздик и цинний.

Одна из них повествует о том, что первый цветок пророс несколько миллионов лет назад и своей красотой привлек внимание не только всех живых существ, но и стихии. Ветер и вода разнесли семена ириса по всей земле. Когда они проросли, люди приходили любоваться на этот цветок.

Ирисом душистый цветок нарек сам Гиппократ в честь древнегреческой богини радуги Ириды. Согласно древнегреческому мифу о происхождении цветка, богиня Ирида была дочерью морского божества Тавманта и океаниды Электры. Также как и римляне, греки считали Ириду посредницей между богами и простыми людьми словно, она была как радуга, которая рождалась после дождя и соединяла между собой небо и землю. Поэтому древние греки называли радугу ирисом, а цветы, так походившие по окраске на нее, считались осколочками радуги, упавшими на землю.

Другой миф гласит, что когда Прометей украл у олимпийских богов небесный огонь и отнес его людям, землю сразу озарила семицветная радуга, символизировавшая всю радость живых существ. Радуга горела и горела, даря людям надежду, уже село солнце, а она все также светилась. Но вот настало утро — солнце снова осветило землю, а на том месте, где радовала глаз людей радуга, цвели ирисы.

Жители других стран также почитают ирис. У древних японцев один и тот же иероглиф обозначает и название цветка, и воинский дух. У древних египтян ирис — символ красноречия. На Востоке же белый ирис раньше высаживали на могилах, как символ печали. В средние века цветы выращивали уже в замках и монастырях, а потом они стали радовать глаз горожанам в садах. У немцев плоские и острые как мечи листья ириса получили название как меч-лилия.

На Руси же этот цветок величали как петушок (пошло с украинских земель) и касатик (листья как коса) то есть милый, желанный и дорогой. Христиане же считали листья символом страдания сердца Богоматери и ассоциировали ирис со страданием и болями.

Сейчас ирис может порадовать садоводов не только своими цветами, но и красотой листьев, которые у большинства видов живут до поздней осени. Садоводы выбирают ирис за его красоту, стойкость, способность сохранять свой вид долгое время, будучи срезанным, а также за легкость и простоту в уходе.

В мире существует около 800 сортов ирисов. Хочу поделиться со всеми гостями видами тех, которые живут у меня в саду и дарят необыкновенный аромат и радость цвета.

Читайте также: