.

0 (hodnocen0 x )

(7) Půjčeno:35x 

BK

Vyd. 1.

Praha : Academia, 2003

366 s. : il. ; 24 cm 1 CD-ROM

ISBN 80-200-1062-9 (váz.)

Obsahuje tabulky, grafy, bibliografické odkazy, rejstřík, stejnojmenný přiložený CD-ROM koncipován jako sada www stránek

Data - dolování - pojednání

000024217

Předmluva 11 // Dobývání znalostí z databází // 1 Dobývání znalostí z databází 15 // 1.1 Úlohy 18 // 1.2 Metodiky 22 // 1.2.1 Metodika 5A 22 // 1.2.2 Metodika SEMMA 23 // 1.2.3 Metodika CRISP-DM 24 // Literatura 28 // II. Tři zdroje // 2 Databáze 33 // 2.1 Relační databáze 33 // 2.2 EIS 35 // 2.3 OLAP 35 // 2.4 Datové sklady a datová tržiště 41 // 2.5 Dotazovací jazyky pro dobývání znalostí z databází 43 // Literatura 45 // 3 Statistika 46 // 3.1 Kontingenční tabulky 46 // 3.2 Regresní analýza 49 // 3.3 Diskriminační analýza 53 // 3.4 Shluková analýza 55 // Literatura 59 // 4 Strojové učení 60 // 4.1 Základní pojmy 60 // 4.2 Učení jako prohledávání 69 // 4.3 Učení jako aproximace funkcí 78 // Literatura 81 // III. Proces dobývání znalostí // 5 Modelování 85 // 5.1 Rozhodovací stromy 86 // 5.1.1 Základní algoritmus 86 // 5.1.2 Převod stromu na pravidla 93 // 5.1.3 Prořezávání stromů 94 // 5.1.4 Numerické atributy 95 // 5.1.5 Chybějící hodnoty 98 // 5.1.6 Ceny atributů 98 // 5.1.7 Regresní stromy 99 // 5.1.8 Systémy 100 // 5.1.9 Použiti rozhodovacích stromů 101 // 5.2 Asociační pravidla 102 // 8 // OBSAH // 5 2.1 Základní charakteristiky pravidel 103 // 5.2.2 Generování kombinací 106 // 5 2 3 Počet kombinací 107 // 5.2.4 Algoritmus apriori 109 // 5.2.5 Zobecněná asociační pravidla 111 // 5 2 6 Pravidla s výjimkami 113 // 5 2.7 Časové sekvence 114 // 5 2 8 Více tabulek 116 // 5.2.9 Implikace, dvojité implikace a ekvivalence 118 // 5 2.10 Metoda GUHA 121 // 5.2.11 Kombinační analýza dat 125 // 5.2.12 Chybějící hodnoty 128 // 5 3 Rozhodovací pravidla 130 // 5.3.1 Pokrývání množin 130 // 5.3.2 Rozhodovací seznam 134 // 5 3 3 Pravdčnodohnostní nravidla 138 // 5 3 4 Alhoritmus K90K 139 // 5 3 5 Chvběiící hodnotv 147 // 5 3 6 Numerické atributy 147 //

5 3 7 Numerické třídy 149 // 5 3 8 Koneentv nromčnlivé v čase 150 // 5 3 Q Tnteorare znalostí 153 // 5 3 10 Hierarchie hodnot atributů 155 // 5 4 Neuronové sítě 157 // .jednoho neuronu 157 // 5 4? Pereentron 163 // 5 4 3 Topologie soudobých sítí 166 // 5 4 4 Metoda SVM 171 // 5 4 5 Neuronové sítě a dobývání znalostí 7. databází 173 // 5 5 Evoluční algoritmy 176 // 5 5 1 Základní metoda genetických algoritmů 177 // 5 5? Použití genetických algoritmů 180 // 5 5 3 Genetické programování 181 // 5 Ruvesovská klasifikace 182 // 5 6 1 Základní nnimv 182 // 5? Naivní ravesovský klasifikátor 185 // 5 3 Ravesovské sítě 187 // 5 6 4 Systémy a aplikace 196 // 5 7 Metody založené na analogii 197 // 5 7 1 Podobnost mezi příklady 198 // 5 7? Podobnost mezi časovými řadami a sekvencemi 201 // 5 7 3 Učení založené na instancích 203 // 5 7 4 Nejbližší soused 205 // 5 7 5 Případové usuzování 209 // 5 8 Induktivní logické programování 211 // Základní pojmy 212 // Systémy 11 P 214 // 217 // Vyhodnocení výsledků 223 // 6 1 Testování modelů 224 // 6 1 1 Polková správnost 227 // 6.1.2 Správnost pro jednotlivé třídy 227 // 6.1.3 Přesnost a úplnost 228 // 6 1 4 Senzitivita a snccificita 228 // 6 1 5 Spolehlivost klasifikace 229 // 6.1.6 Křivka učení 230 // 6.1.7 Krivka navýšení // 6 1 8 Krivka ROC 233 // 6 1 9 Analýza DEA // 6 1 10 Numerické Dredikce 235 // // 6.2.1 Vizualizace modelů 236 // 6 2 2 Vizualizace klasifikací 238 // 6 3 Porovnávání modelů.. 239 // 6 3 1 t-test 239 // 6 3 2 Použití křivek ROC 240 // 6 3 3 Occamova břitva 241 // 6.4 Volba nejvhodnějšího algoritmu 241 // 6 41STATLOG 242 // 6 4 2 METAL // 6 5 Kombinování modelů . 243 // Literatura . 245 // 7 Přínrava Hat 247 // // 7 1 Strukturovaná data 247 // 7 2 Více vzájemné Dronoienvch tabulek 250 //

7 3 Odvo7ené atributv 251 // 7 4 Data s příliš mnoha objekty // 7 5 Data s příliš mnoha atributy 253 // 7.6 Numerické atributy 257 // 7.7 Kategoriální atributy // 7 K rhvhřiírí hoHnotv 267 // // 7.9 Závěr 267 // Literatura 267 // IV. Systémy a úlohy // 8 Systémy pro dobývání znalostí z databází 271 // 8.1 Clementine // 8.2 Enterprise Miner 275 // 8.3 Intelligent Miner 277 // 8.4 Systém Kepler 278 // 8.5 KnowlcdgeSTUDIO 280 // 8 6 1 .ISn-Miner 281 // 8.8 Statistica Data Miner // 8.9 Weka 287 // 8.10 Který systém zvolit? 289 // Literatura 290 // 9 Dobývání znalostí v praxi 291 // 9.1 Příklad úlohy 291 // 9.1.1 Porozumění problematice 291 // 9 1 2 Porozumění datům 291 // 9.1.3 Příprava dat 295 // 9 1 4 Modelování 296 // 9.1.5 Vyhodnocení výsledků 300 // 9.1.6 Využiti výsledků 301 // 9.2 Obecné zkušenosti 302 // Literatura 303 // 10 Nové směry 304 // 10.1 Dobýváni znalostí z textů 304 // 10.1.1 Reprezentace dokumentu 304 // 10.1.2 Podobnost dokumentů 306 // 10.1.3 Typy úloh 307 // 10.1.4 Systémy 312 // 10.2 Dobývání znalostí z webu 312 // 10.2.1 Obsah webu 313 // 10.2.2 Struktura webu 319 // 10.2.3 Používání webu 320 // 10.3 Co bude dál ? 322 // Literatura 322 // Příloha // A Struěný popis PMML 327 // A. 1 Pravidla pro zápis syntaxe 327 // A.2 Struktura dokumentu PMML 329 // A.2.1 Element Header 329 // A.2.2 Element DataDiclionary 329 // A.2.3 Element TransformationDictionary 330 // A.2.4 Element pro popis modelu 330 // A.3 Příklady dokumentů PMML 331 // A.3.1 Rozhodovací strom 331 // A.3.2 Asociační pravidla 332 // A.3.3 Neuronové sítě 334 // A.3.4 Naivní bayesovský klasifikátor 337 // A.3.5 Model k-NN 340 // A.4 Úplný popis DTD 341 // K Obsah CD 353 // B. 1 Systémy dobývání znalostí 353 // B. 1.1 Systémy na CD 353 // K. 1.2 Informace o dalších nekomerčních systémech 354 //

K. 1.3 Informace o komerčních systémech 355 // B.2 Data a úlohy 356 // B.2.1 PKDD Discovery Challenge - finanční data 357 // B.2.2 Soutěžní úlohy dobývání znalostí 357 // B.2.3 Referenční data 358 // B.3 Výzkumné projekty EU 358 // B.3.1 Networks of Excellence 358 // B.3.2 Konkrétní výzkumné projekty 359 // B .4 Zdroje z Internetu 359 // B.4.1 Dokumenty na CD 359 // B.4.2 Informační portály 360 // B.4.3 Katalogy ve vyhledávačích 360 // B.4.4 Časopisy 361 // B.4.5 Různé 361 // Rejstřík 363

(OCoLC)56868917

cnb001193694