Statystyczne systemy uczące się
Statystyczne systemy uczące się
Opis publikacji
Systemy uczące się to algorytmiczne metody uczenia się na podstawie danych. Niesłychany wzrost mocy obliczeniowej komputerów oraz pojemności ich pamięci stworzył możliwości zarówno gromadzenia olbrzymich ilości informacji, jak i ich przetwarzania. Systemy uczące się są dziś podstawą tzw. eksploracji danych, inaczej inteligentnej analizy danych, czyli - by użyć powszechnie stosowanego terminu anglojęzycznego - analiz o nazwie data mining. SPIS TREŚCI Przedmowa do wydania pierwszego Przedmowa do wydania drugiego 1. Liniowe metody klasyfikacji 1.1. Klasyfikacja pod nadzorem - wprowadzenie 1.2. Fisherowska dyskryminacja liniowa 1.3. Dyskryminacja oparta na regresji linowej i logistycznej 1.4. Perceptron Rosenblatta 2. Metody klasyfikacji oparte na rozkładach prawdopodobieństwa 2.1. Klasyfikator bayesowski i metoda największej wiarogodności 2.2. Optymalność reguły bayesowskiej 2.3. Praktyczna konstrukcja klasyfikatorów 3. Metody klasyfikacji oparte na nieparametryczne...
Systemy uczące się to algorytmiczne metody uczenia się na podstawie danych. Niesłychany wzrost mocy obliczeniowej komputerów oraz pojemności ich pamięci stworzył możliwości zarówno gromadzenia olbrzymich ilości informacji, jak i ich przetwarzania. Systemy uczące się są dziś podstawą tzw. eksploracji danych, inaczej inteligentnej analizy danych, czyli - by użyć powszechnie stosowanego terminu anglojęzycznego - analiz o nazwie data mining.SPIS TREŚCI Przedmowa do wydania pierwszego Przedmowa do wydania drugiego 1. Liniowe metody klasyfikacji 1.1. Klasyfikacja pod nadzorem - wprowadzenie 1.2. Fisherowska dyskryminacja liniowa 1.3. Dyskryminacja oparta na regresji linowej i logistycznej 1.4. Perceptron Rosenblatta2. Metody klasyfikacji oparte na rozkładach prawdopodobieństwa 2.1. Klasyfikator bayesowski i metoda największej wiarogodności 2.2. Optymalność reguły bayesowskiej 2.3. Praktyczna konstrukcja klasyfikatorów3. Metody klasyfikacji oparte na nieparametrycznej estymacji 3.1. Wprowadzenie 3.2. Nieparametryczna estymacja rozkładów w klasach 3.3. Metoda najbliższych sąsiadów4. Drzewa klasyfikacyjne i rodziny klasyfikatoró 4.1. Wprowadzenie 4.2. Reguły podziału 4.3. Reguły przycinania drzew 4.4. Drzewa klasyfikacyjne - uwagi 4.5. Rodziny klasyfikatorów - algorytmy bagging i boosting 4.6. Rodziny klasyfikatorów - lasy losowe5. Analiza regresji 5.1. Globalne modele parametryczne 5.2. Regresja nieparametryczna 5.3. Efekty losowe i liniowe modele mieszane 5.4. Uwagi końcowe6. Uogólnienia metod liniowych 6.1. Dyskryminacja elastyczna 6.2. Maszyny wektoró podpierających7. Systemy uczące się pod nadzorem - podsumowanie, uwagi dodatkowe 7.1. Podsumowanie 7.2. Uwagi dodatkowe8. Metody rzutowania, wykrywania zmiennych ukrytych 8.1. Systemy uczące się bez nadzoru - wprowadzenie 8.2. Analiza skłądowych głównych 8.3. Estymacja gęstości wzdłuż interesujących rzutów 8.4. Analiza czynnikowa i analiza skłądowych niezależnych 8.5. Podobieństwo, odmienność i odległość między obiektami 8.6. Skalowanie wielowymiarowe 8.7. Metody jąrowe w systemach uczących się9. Analiza skupień 9.1. Metody kombinatoryczne 9.2. Metody hierarchiczne - dendrogramy 9.3. Inne metody klasyczne 9.4. Trzy nieklasyczne podejścia do analizy skupieńKsiążki cytowane Skorowidz
