.

0 (hodnocen0 x )

(1) Půjčeno:1x 

BK

EB

První vydání

Praha : Grada Publishing, 2021

224 stran : ilustrace

ISBN 978-80-271-3031-3 (brožováno)

ISBN 978-80-271-4478-5 (online ; pdf)

Průvodce

Terminologický slovník

Obsahuje bibliografické odkazy a rejstřík

001651914

Slovo úvodem 9 // Předmluva 11: // 1 Základy 13 // 1.1 Big data 13 // 1.2 Věda o datech 19 // 1.3 Umělá inteligence " 24 // 1.4 Data mining 25 // 1.5 Strojové učení 26 // 1.6 Business Intelligence 27 // 1.7 Datové inženýrství 28 // 1.8 Průnik disciplín 28 // 1.9 Metodologie CRISP DM 30 // 1.10 Strategie používání dat 32 // 1.11 Výuka vědy o datech 34 // 1.12 Problematika COVID-19 36 // 1.13 Souhrn 38 // 2 Stručně o umělé inteligenci 40 // 2.1 Vybrané principy umělé inteligence 42 // 2.2 Expertní systémy 46 // 2.3 Pravidla v expertním systému 48 // 2.4 Souhrn 54 // 3 Uspořádání dat 55 // 3.1 Plochý soubor (Flat file) 55 // 3.2 HTML a XML soubory 56 // 3.3 JSON formát 57 // 3.4 SQL databáze 58 // 3.5 NoSQL databáze 60 // 3.6 Hadoop, MapReduce, Spark, Mahout, HBase 61 // 3.7 Datový sklad 65 // 3.8 Jezero dat 66 // 3.9 Organizace dat a datová matice 66 // 3.10 Souhrn 68 // Strojové učení - přehled 70 // 4.1 Principy algoritmů strojového učení 71 // 4.2 Typy proměnných a příprava dat 74 // 4.2.1 Volba proměnných 75 // 4.2.2 Chybějící hodnoty 75 // 4.3 Učení s učitelem 76 // 4.3.1 Lineární regrese a její modifikace 77 // 4.3.2 Logistická regrese 81 // 4.3.3 Složitější typy regresí (GLM a GAM) 81 // 4.3.4 K-nejbližších sousedů (regrese a klasifikace) 82 // 4.3.5 Lineární diskriminační analýza 82 // 4.3.6 Klasifikace podpůrnými vektory 83 // 4.3.7 Bayesova metoda 84 // 4.3.8 Neuronové sítě 84 // 4.3.9 Rozhodovací strom 85 // 4.4 Učení bez učitele 87 // 4.4.1 Shlukování 87 // 4.4.2 Redukce dimenzionality 90 // 4.4.3 Analýza asociací 91 // 4.4.4 Detekce anomálie 93 // 4.4.5 Autokódování 94 // 4.5 Učení posilováním 94 // 4.5.1 Q-učení 95 // 4.5.2 TD-učení 95 // 4.6 Algoritmy strojového učení podle podobnosti 95 // 4.7 Evaluace algoritmů strojového učení 97 // 4.7.1 Koeficienty kvality klasifikačních modelů 97 //

4.7.2 Ukazatele kvality regresních modelů 100 // 4.7.3 Interpretovatelnost prediktivních modelů 100 // 4.8 Souhrn 104 // Metoda podpůrných vektorů // 5.1 Algoritmus metody SVM 106 // 5.2 Klasifikace pomocí SVM do více tříd 109 // 5.3 Aplikace SVM pro COVID-19 data 109 // 5.4 Souhrn 112 // Bayesova metoda // 6.1 Modelová aplikace 174 // 6.2 Bayes a ohrožení COVID 19 pandemií 116 // 6.3 Souhrn 120 // 7 Umělé neuronové sítě 121 // 7.1 Popis jednoduchého perceptronu 121 // 7.2 Aktivační funkce 124 // 7.3 Vytvoření architektury neuronové sítě 125 // 7.4 Problémy procesu učení a interpretace 130 // 7.5 Typy neuronových sítí 131 // 7.6 Neuronové sítě a COVID-19 135 // 7.7 Souhrn 138 // 8 Rozhodovací stromy a lesy 139 // 8.1 Rozhodovací stromy - principy 139 // 8.2 Ensemble algoritmy 148 // 8.3 Stromy, lesy a COVID-19 150 // 8.4 Souhrn 153 // 9 Analýza sociálních sítí 154 // 9.1 Základy teorie grafů 154 // 9.2 Sociální síť 158 // 9.3 Shlukování uzlů - Louvainská metoda 158 // 9.4 Girvan-Newman algoritmus 159 // 9.5 PageRank algoritmus 160 // 9.6 Sociální sítě v pandemii COVID-19 163 // 9.7 Souhrn 164 // 10 Analýza textů ібб’ // 10.1 Základní definice 167 // 10.2 Analýza vztahů slov 168 // 10.3 Shlukování textů 169 // 10.4 Klasifikace textů 170 // 10.5 Shrnutí textů 172 // 10.6 Vyhledávání a analýza témat 173 // 10.7 Analýza sentimentu a názorů 176 // 10.8 Kombinovaná analýza 178 // 10.9 Zavádějící zprávy 180 // 10.10 Zavádějící texty o COVID-19 185 // 10.11 Souhrn 187 // 11 Programovací jazyky, systémy a nástroje // zpracování dat // 11.1 Programovací jazyky // 11.1.1 Python // 11.1.2 R // 11.1.3 Julia // 11.2 Prostředky pro scraping // 11.3 Programové systémy pro vytváření modelů // 11.4 Oblasti datového inženýrství // 11.5 Souhrn // Závěr // Slovníček anglických termínů // Literatura // Rejstřík