.

0 (hodnocen0 x )

(1.8) Půjčeno:7x 

BK

1. vyd.

Praha : Karolinum, 2006

106 s. : il.

ISBN 80-246-1186-4 (brož.)

Učební texty Univerzity Karlovy v Praze

Obsahuje ilustrace, tabulky, úvod

Bibliografie na s. 105-106

Data - dolování - metody statistické - učebnice vysokošk.

000101106

Obsah // 1 Statistické metody v systémech pro dobývání // znalostí z dat 11 // 1.1 Typy softwarových systémů používaných pro dobývání // znalostí z dat... 11 // 1.1.1 Univerzální systémy pro dobývání znalostí... 12 // 1.1.2 Systémy pro podporu okamžitého rozhodování na základě dat... 13 // 1.1.3 Systémy s jiným primárním určením... 14 // 1.2 Clementine... 15 // 1.2.1 Popisné statistiky... 18 // 1.2.2 Regresní metody... 19 // 1.2.3 Mnohorozměrná statistická analýza... 20 // 1.3 DecisionSite... 22 // 1.4 Matlab... 26 // 1.4.1 Popisné statistiky... 30 // 1.4.2 Lineární regrese a její zobecnění... 30 // 1.4.3 Mnohorozměrná statistická analýza... 35 // 1.4.4 Testování hypotéz... 40 // 2 Statistické principy procedury 4ft-Miner 45 // 2.1 Metoda GUHA a získávání tvrzení observační logiky... 45 // 2.1.1 Observační logika... 45 // 2.2 Observační kvantifikátory založené na odhadech... 48 // 2.2.1 Implikační kvantifikátory... 49 // 2.2.2 Další kvantifikátory založené na odhadech ... 50 // 2.3 Observační kvantifikátory založené na testování hypotéz... 51 // 2.3.1 Kvantifikátory založené na binomickém testu... 52 // 2.3.2 Kvantifikátory založené na testech nezávislosti... 53 // 2.3.3 Kvantifikátory neodpovídající zamítání nulové hypotézy ... 55 // 3 // 3 Moderní klasifikační a regresní metody v dobývání // znalostí 58 // 3.1 Společné principy klasifikace a regrese... 58 // 3.1.1 Hlavní

rysy klasifikace... 58 // 3.1.2 Hlavní rysy regrese... 59 // 3.1.3 Regularizační operátory... 61 // 3.1.4 Jednotící rámec klasifikace a regrese... 62 // 3.2 Klasifikace pomocí perceptronů... 64 // 3.2.1 Perceptron a jeho učení... 64 // 3.2.2 Věta o konvergenci učícího algoritmu perceptronů... 67 // 3.2.3 Modifikace perceptronů... 68 // 3.3 SVM-klasifikátory pro lineárně separabilní problémy... 69 // 3.3.1 Klasifikátory spočívající na úloze kvadratické optimalizace... 71 // 3.4 Konstrukce klasifikátorů pro hneárně neseparabilní // problémy... 73 // 3.4.1 Jádrové funkce... 74 // 3.4.2 Klasifikátory spočívající na jádrových funkcích... 76 // 3.5 Využití principu SVM-klasifikátorů v regresi... 78 // 3.5.1 SV-regrese... 78 // 3.5.2 Řešení optimalizační úlohy pro SV-regresi ... 79 // 3.6 Nelineární regrese pomocí vícevrstvých perceptronů... 83 // 3.6.1 Princip vícevrstvého perceptronů ... 83 // 3.6.2 Učení vícevrstvého perceptronů... 86 // 3.6.3 Důvod používání vícevrstvých perceptronů ? regresi... 88 // 3.6.4 Prostory funkcí aproximovaných vícevrstvými perceptrony... 89 // 3.6.5 Věta o univerzální aproximační schopnosti vícevrstvých perceptronů. . . 92 // 4 // 4 Statistický přístup ? umělým neuronovým sítím 93 // 4.1 Základní principy statistického přístupu ? umělým // neuronovým sítím... 93 // 4.1.1 Učení založené na náhodném výběru a na střední hodnotě... 94 // 4.2 Použití

silného zákona velkých čísel při učení neuronových // sítí... 96 // 4.2.1 Silný zákon velkých čísel pro učení vícevrstvých perceptronů... 98 // 4.3 Použití centrální limitní věty při prořezávání sítě... 99 // 4.3.1 Centrální limitní věta pro vícevrstvé perceptrony ...100 // 4.3.2 Testovací procedura pro vícevrstvé perceptrony, založená na centrální // limitní větě...102 // 5