1a. (MATLAB, na wirtualnym systemie Windows XP / Octave) Dla zbioru 'outlook' wykonaj grupowanie algorytmem hierarchicznym aglomeracyjnym (pomiń atrybut Play; możesz skorzystać z tablicy X zapisanej w pliku X.txt).
    Wykorzystaj poniższe funkcje (spawdzając ich składnię poleceniem help <nazwa-funkcji>):

	y = pdist(X) - z 'hamming' - tworzenie macierzy odległości (opis: https://ch.mathworks.com/help/stats/pdist.html)
	Z = linkage(y) - z 'average' - tworzenie dendrogramu (opis: https://ch.mathworks.com/help/stats/linkage.html)
	dendrogram(Z) - wyświetlenie dendrogramu
	//T = cluster(Z,'maxclust',n) - utworzenie rozłącznych klastrów z dendrogramu Z
	clusterdata - zbiorcza funkcja, wykonująca powyższe operacje (opis: https://ch.mathworks.com/help/stats/clusterdata.html) - tylko MATLAB

1b. (WEKA Explorer) /alternatywna wersja zad. 1a/ Dla zbioru 'outlook' wykonaj grupowanie algorytmem hierarchicznym aglomeracyjnym
   (pomiń atrybut decyzyjny Play;
   uwaga 1: WEKA nie obsługuje odległości Hamminga, trzeba wybrać inną miarę, np. euklidesową;
   uwaga 2: WEKA niestety oferuje dość podstawową wizualizację stworzonego dendrogramu):
  - wczytaj zbiór danych outlook.arff w progamie WEKA (plik pobrany ze strony https://gist.github.com/myui/2c9df50db3de93a71b92)
  - przejdź do zakładki Cluster i ustaw Clusterer = HierarchicalClusterer
  - dostosuj parametry algorytmu:
      distanceFunction = EuclideanDistance -R 2-5 (dla tych samych wartości atrybutu odległość wyniesie 0, dla różnych wyniesie 1; pomijamy atrybut nr 1 - id i nr 6 - decyzyjny)
      linkType = AVERAGE
      numClusters = 1 (oznacza generowanie pojedynczej hierarchii)
      printNewick = True
  - Ustaw "Cluster mode" równe "Use training set"
  - upewnij się, że zaznaczony jest checkbox "Store clusters for visualization"
  - możesz kliknąć przycisk "Ignore attributes", podświetlić atrybut "play" i wcisnąć "Select" (ale i tak atrybut decyzyjny, jak i pierwszy atrybut id typu string są automatycznie pomijane)
  - uruchom grupowanie przyciskiem Start
  - przeanalizuj strukturę drzewa zapisaną w postaci tekstowej w formacie Newick'a (https://en.wikipedia.org/wiki/Newick_format) w panelu "Clusterer output"; możesz stworzyć jego reprezentację graficzną
    (np. wklejając drzewo w aplikacji Javascript http://www.atgc-montpellier.fr/aquapony, dodając na końcu średnik, wciskając "Figure Creation", a następnie w "Options" zmieniając "Type of graph of the main tree" na "Linear" i zatwierdzając przez "Update Options")
  - kliknij prawym przyciskiem na uzyskanych wynikach i wybierz "Visualize tree" (widać strukturę dendrogramu, a etykiety wierzchołków wynikają z wartości obiektów na atrybucie id typu string)

1c. /alternatywna wersja zad. 1a/ Dla zbioru 'outlook' wykonaj grupowanie algorytmem hierarchicznym aglomeracyjnym
   (pomiń atrybut decyzyjny Play, użyj jednego z poniżej wymienionych programów)

2. (WEKA) Dla zbioru 'IRIS' (UCI Machine Learning Repository: http://archive.ics.uci.edu/ml/datasets/Iris) wykonaj grupowanie algorytmem simple k-means (weka.clusterers.SimpleKMeans), najpierw dla k=4, a następnie dla k=3. Porównaj uzyskane grupowania.

3. (ćw.) Zastosuj algorytm AQ do indukcji reguł dla zbioru danych 'attractiveness' - wyindukuj pokrycie klasy "+" i "-"

4. (WEKA) Uruchom algorytm COBWEB (weka.clusterers.Cobweb) na zbiorze danych 'oneCell' (ustaw parametr saveInstanceData na True). Skomentuj otrzymane wyniki.

-----

Dostępne implementacje algorytmów grupowania:

a) Orange - zakładka Unsupervised:
  - Hierarchical Clustering
  - k-Means
b) RapidMider:
  - Modeling/Segmentation/k-Means
  - Modeling/Segmentation/k-Medoids
  - Modeling/Segmentation/Agglomerative Clustering
  - Modeling/Segmentation/DBSCAN
c) KNIME:
  - Analytics / Mining / Clustering / k-Means
  - Analytics / Mining / Clustering / Fuzzy c-Means
  - Analytics / Mining / Clustering / Hierarchical Clustering
  - Analytics / Mining / Clustering / DBSCAN
d) WEKA:
  - możliwe jest doinstalowanie opcjonalnego pakietu z algorytmem DBSCAN (optics_dbScan 1.0.6) - w tym celu w oknie WEKA GUI Chooser należy wybrać opcję Tools / Package manager
    - weka.clusterers.DBSCAN -E 0.2 -M 5 -A "weka.core.EuclideanDistance -R first-last"
e) scikit-learn:
  - sklearn.cluster.KMeans
  - sklearn.cluster.AgglomerativeClustering
  - sklearn.cluster.DBSCAN