Rozszerzenia klasyfikatorów złożonych dla danych niezrównoważonych
|
|
- Patrycja Kot
- 5 lat temu
- Przeglądów:
Transkrypt
1 klasyfikatorów złożonych dla danych niezrównoważonych Marcin Szajek Politechnika Poznańska, Instytut Informatyki Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 1 / 30
2 Plan prezentacji Wstęp 1 Wstęp 2 3 Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 2 / 30
3 Uczenie nadzorowane Wstęp Klasyfiaktor: dane uczące + algorytm uczący Zbiór par (x i, y i ) Cel: stworzenie funkcji f: f (x) = y y Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 3 / 30
4 Dane niezrównoważone Wstęp Nierówne liczności klas Klasyfikatory zwykle opierają się o globalną trafność poprawna miara? Przykładowe zastosowania: Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 4 / 30
5 Dane niezrównoważone Wstęp Nierówne liczności klas Klasyfikatory zwykle opierają się o globalną trafność poprawna miara? Przykładowe zastosowania: wykrywanie awarii wykrywanie rzadkich chorób wykrywanie plam oleju Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 4 / 30
6 yeast-me Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 5 / 30
7 HSV Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 6 / 30
8 Klasyfikatory złożone Wstęp Zwane też rodzinami klasyfikatorów Wzorowane na ludzkich zachowaniach Decyzje podejmuje komitet ekspertów, a nie jeden ekspert Eksperci muszą się różnić (weak learners) Uzgadnianie decyzji różne podejścia: Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 7 / 30
9 Klasyfikatory złożone Wstęp Zwane też rodzinami klasyfikatorów Wzorowane na ludzkich zachowaniach Decyzje podejmuje komitet ekspertów, a nie jeden ekspert Eksperci muszą się różnić (weak learners) Uzgadnianie decyzji różne podejścia: proste głosowanie ważenie decyzji metaklasyfikator Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 7 / 30
10 Klasyfikatory złożone Wstęp Zwane też rodzinami klasyfikatorów Wzorowane na ludzkich zachowaniach Decyzje podejmuje komitet ekspertów, a nie jeden ekspert Eksperci muszą się różnić (weak learners) Uzgadnianie decyzji różne podejścia: proste głosowanie ważenie decyzji metaklasyfikator Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 7 / 30
11 Klasyfikatory złożone - rodzaje Heterogeniczne różne klasyfikatory bazowe Homogeniczne różne zbiory uczące Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 8 / 30
12 Klasyfikatory złożone - rodzaje Heterogeniczne różne klasyfikatory bazowe Homogeniczne różne zbiory uczące Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 8 / 30
13 Klasyfikatory złożone - rodzaje Heterogeniczne różne klasyfikatory bazowe Homogeniczne różne zbiory uczące Główne rodziny: bagging boosting Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 8 / 30
14 Bagging (L.Breiman, 1996) Bootstrap aggregating próbki uczące oparte o losowanie ze zwracaniem wielu całkowicie niezależnych ekspertów Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 9 / 30
15 Boosting (Schapire 1990) Budowany sekwencyjnie Losowanie z wagami Tworzenie ekspertów dla trudnych danych Najbardziej znany AdaBoost Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 10 / 30
16 Podział metod wg M.Galar i in. Galar, M., Fernandez, A., Barrenechea, E.; Bustince, H., Herrera, F.: A Review on Ensembles for Class Imbalance Problem: Bagging, Boosting and Hybrid Based Approaches. IEEE Transactions on Systems, Man, and Cybernetics Part C, vol. 42 (4), (2011). Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 11 / 30
17 Exactly Balanced Bagging (Tao) Wielkość próbki ustalana na 2*liczność klasy mniejszościowej Cała klasa mniejszościowa w próbce Obiekty z klasy większościowej losowane Efekt: każdy klasyfikator bazowy umie rozpoznawać klasę mniejszościową Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 12 / 30
18 Roughly Balanced Bagging (S Hido, H Kashima) Zmienna wielkość próbki bootstrapowej dla każdej z klas Klasa losowana z ujemnego rozkładu dwumianowego (negative binominal) Obiekty z wylosowanej klasy losowane z rozkładu jednorodnego Bliżej oryginalnego zamysłu baggingu Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 13 / 30
19 Porównanie (G-mean) Wstęp Data set RBB RBB w/r EBB Bagging C4.5 Diabetes Breast German E-Coli Satimage Flag Glass Letter-A RealF Hido, S., Kashima, H.: Roughly Balanced Bagging for Imbalanced Data. Statistical Analysis and Data Mining vol. 2 (5-6), (2009). Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 14 / 30
20 Local-and-Over-All Balanced Bagging (Błaszczyński, Stefanowski, Idkowiak) Rozszerzenie RBBag Modyfikacja prawdopodobieństwa wylosowania przykładu Lokalne sąsiedztwo zamiast globalnego niezrównoważenia Wyniki porównywalne (a czasem lepsze) od RBB Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 15 / 30
21 Porównanie (G-mean) Wstęp data set RBBag L-O-ABBag abdominal pain acl-m breast-w bupa german credit ecoli flags haberman hepatitis ionosphere scrotal pain vehicle yeast-m Stefanowski, J., Błaszczyński, J., Idkowiak, Ł.: Extending Bagging for Imbalanced Data. Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 16 / 30
22 OverBagging Wstęp Zmiana na poziomie zbioru danych wejściowych nadlosowywanie (oversampling) + bagging Wada łatwo dochodzi do przeuczenia Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 17 / 30
23 SMOTEBagging (Wang, Yao) Odpowiedź na wadę OverBaggingu SMOTE zamiast nadlosowywania Czy tworzenie syntetycznych przykładów jest dobre? Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 18 / 30
24 Porównanie Wstęp Glass G-mean Overall Q-statistics Over SMOTE Yeast G-mean Overall Q-statistics Over SMOTE Wang, S., Yao, T.: Diversity analysis on imbalanced data sets by using ensemble models. In Proc. IEEE Symp. Comput. Intell. Data Mining, (2009). Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 19 / 30
25 AdaCost (Fan, Stolfo, Zhang, Chan) Rozszerzenie AdaBoost Inna funkcja zmiany wag dla klasy mniejszościowej niż dla większościowej Większy wzrost wag i mniejszy spadek dla klasy mniejszościowej Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 20 / 30
26 Porównanie (Percentage Cumulative Loss) Data set cripper AdaBoost AdaCost hypothyroid boolean dis crx breast cancer wpbc Fan, W., Stolfo, S., Zhang, J., Chan, P.: AdaCost: Misclassification Cost-sensitive Boosting. In Proc. 16th International Conf. on Machine Learning, (1999). Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 21 / 30
27 SMOTEBoost (Chavla) Wstęp Rozszerzenie AdaBoost W każdej rundzie Boosting syntetyczne nadlosowywanie Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 22 / 30
28 SMOTEBoost (Chavla) Wstęp Rozszerzenie AdaBoost W każdej rundzie Boosting syntetyczne nadlosowywanie Wady: duża złożoność i syntetyczne dane Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 22 / 30
29 Porównanie (miara F) Wstęp Data set RIPPER SMOTE Boosting SMOTEBoost KDDCup mammography Satimage phoneme Chawla, N., Lazarevic, A., Hall, L., Bowyer, K.: SMOTEBoost: Improving Prediction of the Minority Class in Boosting. In Proc. Principles of Knowledge Discovery in Databases, PKDD-2003, (2002). Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 23 / 30
30 RUSBoost (Seiffert, Khoshgoftaar) Random UnderSampling Boosting Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 24 / 30
31 RUSBoost (Seiffert, Khoshgoftaar) Random UnderSampling Boosting Odpowiedź na SMOTEBoost Mniejsza złożoność, podobna jakość rozwiązań Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 24 / 30
32 DataBoost-IM (Guo, Viktor) DataBoost for IMbalanced Wyszkuwanie trudnych przykładów Synteza obiektów na podstawie trudnych przykładów (z obu klas) Zacieranie różnic przez zwiększanie zbioru Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 25 / 30
33 Porównanie (G-mean) Wstęp Data set C4.5 AdaBoost SMOTEBoost DataBoost-IM glass satimage vowel sick abalone yeast primary-tumor oil Guo, H., Viktor, H.: Learning from Imbalanced Data Sets with Boosting and Data Generation: The DataBoost-IM Approach. SIGKDD Explorations (2004). Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 26 / 30
34 Imbalanced Ivotes (Błaszczyński, Deckert, Stefanowski, Wilk) Ivotes + SPIDER Modyfikacja ( czyszczenie ) próbki uczącej: Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 27 / 30
35 Imbalanced Ivotes (Błaszczyński, Deckert, Stefanowski, Wilk) Ivotes + SPIDER Modyfikacja ( czyszczenie ) próbki uczącej: nadlosowywanie trudnych przykładów z klasy mniejszościowej usuwanie/przeetykietowanie trudnych przykładów z klasy większościowej Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 27 / 30
36 Wyniki eksperymentów Wstęp Błaszczyński, J., Deckert, M., Stefanowski, J., Wilk, S.: IIvotes ensemble for imbalanced data. Intell. Data Anal. 16(5): (2012). Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 28 / 30
37 Wnioski z eksperymentów SMOTEBagging i RUSBoost zachowują się najlepiej dla danych niezrównoważonych Prostsze metody nie tracą w stosunku do metod bardziej złożonych Bagging > Boosting Liczba klasyfikatorów bazowych zależna od metody Galar, M., Fernandez, A., Barrenechea, E.; Bustince, H., Herrera, F.: A Review on Ensembles for Class Imbalance Problem: Bagging, Boosting and Hybrid Based Approaches. IEEE Transactions on Systems, Man, and Cybernetics Part C, vol. 42 (4), (2011). Khoshgoftaar T., Van Hulse J., Napolitano A.: Comparing boosting and bagging techniques with noisy and imbalanced data. IEEE Transactions on Systems, Man, and Cybernetics Part A, 41 (3), (2011). Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 29 / 30
38 Wstęp Dane niezrównoważone ważny problem Wykorzystanie klasyfikatorów złożonych Wiele rozszerzeń (wady i zalety) Dalsze prace bagging (lepsze wyniki) Marcin Szajek Rozsz. klas. złoż. dla danych niezrównoważonych 30 / 30
Łączenie indukcji reguł i uczenia z przykładów dla niezrównoważonych klas. Krystyna Napierała Jerzy Stefanowski
Łączenie indukcji reguł i uczenia z przykładów dla niezrównoważonych klas Krystyna Napierała Jerzy Stefanowski Plan prezentacji Źródła trudności w uczeniu z danych niezrównoważonych (przypomnienie) Indukcja
Bardziej szczegółowoDrzewa decyzyjne i lasy losowe
Drzewa decyzyjne i lasy losowe Im dalej w las tym więcej drzew! ML Gdańsk http://www.mlgdansk.pl/ Marcin Zadroga https://www.linkedin.com/in/mzadroga/ 20 Czerwca 2017 WPROWADZENIE DO MACHINE LEARNING CZYM
Bardziej szczegółowo8. Drzewa decyzyjne, bagging, boosting i lasy losowe
Algorytmy rozpoznawania obrazów 8. Drzewa decyzyjne, bagging, boosting i lasy losowe dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Drzewa decyzyjne Drzewa decyzyjne (ang. decision trees), zwane
Bardziej szczegółowoLEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów
LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki
Bardziej szczegółowoDariusz Brzeziński. Politechnika Poznańska
Dariusz Brzeziński Politechnika Poznańska Klasyfikacja strumieni danych Algorytm AUE Adaptacja klasyfikatorów blokowych do przetwarzania przyrostowego Algorytm OAUE Dlasze prace badawcze Blokowa i przyrostowa
Bardziej szczegółowoMultiklasyfikatory z funkcją kompetencji
3 stycznia 2011 Problem klasyfikacji Polega na przewidzeniu dyskretnej klasy na podstawie cech obiektu. Obiekt jest reprezentowany przez wektor cech Zbiór etykiet jest skończony x X Ω = {ω 1, ω 2,...,
Bardziej szczegółowoMetody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska
Metody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska e-mail: bartosz.krawczyk@pwr.wroc.pl Czym jest klasyfikacja
Bardziej szczegółowoZastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej. Adam Żychowski
Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej Adam Żychowski Definicja problemu Każdy z obiektów może należeć do więcej niż jednej kategorii. Alternatywna definicja Zastosowania
Bardziej szczegółowoIdentyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji
Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody
Bardziej szczegółowoOdkrywanie wiedzy klasyfikacyjnej z niezrównoważonych danych
Odkrywanie wiedzy klasyfikacyjnej z niezrównoważonych danych Learning classifiers from imbalanced data Wpływ niezrównoważenia klas na klasyfikator Wykład ZED dla specjal. TPD JERZY STEFANOWSKI Instytut
Bardziej szczegółowoBadania w zakresie systemów uczących się w Zakładzie ISWD. Politechnika Poznańska Instytut Informatyki
Badania w zakresie systemów uczących się w Zakładzie ISWD Politechnika Poznańska Instytut Informatyki Seminarium ML - Poznań, 3 04 2013 Informacje ogólne Politechnika Poznańska Wydział Informatyki, Instytut
Bardziej szczegółowoTaksonomia 20. Klasyfikacja i analiza danych teoria i zastosowania. Krzysztof Jajuga Marek Walesiak
PRACE NAUKOWE Uniwersytetu Ekonomicznego we Wrocławiu RESEARCH PAPERS of Wrocław University of Economics 278 Taksonomia 20 Klasyfikacja i analiza danych teoria i zastosowania Redaktorzy naukowi Krzysztof
Bardziej szczegółowoOdkrywanie wiedzy klasyfikacyjnej inne metody oraz metodyka oceny
Odkrywanie wiedzy klasyfikacyjnej inne metody oraz metodyka oceny Wykład HiED dla specjal. TWO JERZY STEFANOWSKI Instytut Informatyki Politechnika Poznańska Poznań Poznań, grudzien 2010 Wiedza o klasyfikacji
Bardziej szczegółowoProblem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Bardziej szczegółowoMichał Kozielski Łukasz Warchał. Instytut Informatyki, Politechnika Śląska
Michał Kozielski Łukasz Warchał Instytut Informatyki, Politechnika Śląska Algorytm DBSCAN Algorytm OPTICS Analiza gęstego sąsiedztwa w grafie Wstępne eksperymenty Podsumowanie Algorytm DBSCAN Analiza gęstości
Bardziej szczegółowoOntogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę
Norbert Jankowski Ontogeniczne sieci neuronowe O sieciach zmieniających swoją strukturę Warszawa 2003 Opracowanie książki było wspierane stypendium Uniwersytetu Mikołaja Kopernika Spis treści Wprowadzenie
Bardziej szczegółowoKombinacja jądrowych estymatorów gęstości w klasyfikacji wstępne wyniki
Kombinacja jądrowych estymatorów gęstości w klasyfikacji wstępne wyniki Mateusz Kobos, 10.12.2008 Seminarium Metody Inteligencji Obliczeniowej 1/46 Spis treści Działanie algorytmu Uczenie Odtwarzanie/klasyfikacja
Bardziej szczegółowoWYKAZ PUBLIKACJI I. Artykuły Ia. Opublikowane przed obroną doktorską
Dr Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu Wydział Ekonomii, Zarządzania i Turystyki Katedra Ekonometrii i Informatyki WYKAZ PUBLIKACJI I. Artykuły Ia. Opublikowane przed obroną doktorską 1.
Bardziej szczegółowoRozmyte drzewa decyzyjne. Łukasz Ryniewicz Metody inteligencji obliczeniowej
µ(x) x µ(x) µ(x) x x µ(x) µ(x) x x µ(x) x µ(x) x Rozmyte drzewa decyzyjne Łukasz Ryniewicz Metody inteligencji obliczeniowej 21.05.2007 AGENDA 1 Drzewa decyzyjne kontra rozmyte drzewa decyzyjne, problemy
Bardziej szczegółowoBudowa modeli klasyfikacyjnych o skośnych warunkach
Budowa modeli klasyfikacyjnych o skośnych warunkach Marcin Michalak (Marcin.Michalak@polsl.pl) III spotkanie Polskiej Grupy Badawczej Systemów Uczących Się Wrocław, 17 18.03.2014 Outline 1 Dwa podejścia
Bardziej szczegółowoKombinacja jądrowych estymatorów gęstości w klasyfikacji - testy na sztucznych danych
Kombinacja jądrowych estymatorów gęstości w klasyfikacji - testy na sztucznych danych Mateusz Kobos, 25.11.2009 Seminarium Metody Inteligencji Obliczeniowej 1/25 Spis treści Dolne ograniczenie na wsp.
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowoAnaliza zawartości dokumentów za pomocą probabilistycznych modeli graficznych
Analiza zawartości dokumentów za pomocą probabilistycznych modeli graficznych Probabilistic Topic Models Jakub M. TOMCZAK Politechnika Wrocławska, Instytut Informatyki 30.03.2011, Wrocław Plan 1. Wstęp
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoKombinacja jądrowych estymatorów gęstości w klasyfikacji - przegląd literatury
1/37 Kombinacja jądrowych estymatorów gęstości w klasyfikacji - przegląd literatury Mateusz Kobos, 22.10.2008 Seminarium Metody Inteligencji Obliczeniowej 2/37 Spis treści Klasyfikator Bayesowski Estymatory
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY WALIDACJA KRZYŻOWA dla ZAAWANSOWANEGO KLASYFIKATORA KNN ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoXGBOOST JAKO NARZĘDZIE PROGNOZOWANIA SZEREGÓW CZASOWYCH
XGBOOST JAKO NARZĘDZIE PROGNOZOWANIA SZEREGÓW CZASOWYCH Filip Wójcik Objectivity Digital Transformation Specialists Doktorant na Uniwersytecie Ekonomicznym we Wrocławiu filip.wojcik@outlook.com Agenda
Bardziej szczegółowoMetody klasyfikacji danych - część 1 p.1/24
Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoJakość uczenia i generalizacja
Jakość uczenia i generalizacja Dokładność uczenia Jest koncepcją miary w jakim stopniu nasza sieć nauczyła się rozwiązywać określone zadanie Dokładność mówi na ile nauczyliśmy się rozwiązywać zadania które
Bardziej szczegółowoKlasyfikacja wielo-etykietowa z wykorzystaniem Boostingu
Klasyfikacja wielo-etykietowa z wykorzystaniem Boostingu Seminarium Zakładu Inteligentnych Systemów Wspomagania Decyzji Instytutu Informatyki Politechniki Poznańskiej oraz Sekcji Inteligentnych Systemów
Bardziej szczegółowoSelekcja modelu liniowego i predykcja metodami losowych podprzestrzeni
Selekcja modelu liniowego i predykcja metodami losowych podprzestrzeni Paweł Teisseyre Instytut Podstaw Informatyki, Polska Akademia Nauk Paweł Teisseyre Selekcja modelu liniowego i predykcja 1 / 29 Plan
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoKombinacja jądrowych estymatorów gęstości w klasyfikacji kontynuacja prac
Kombinacja jądrowych estymatorów gęstości w klasyfikacji kontynuacja prac Mateusz Kobos, 25.03.2009 Seminarium Metody Inteligencji Obliczeniowej 1/26 Spis treści Opis algorytmu Testy wersji z optymalizacją
Bardziej szczegółowoKonferencja Statystyka Matematyczna Wisła 2013
Konferencja Statystyka Matematyczna Wisła 2013 Wykorzystanie metod losowych podprzestrzeni do predykcji i selekcji zmiennych Paweł Teisseyre Instytut Podstaw Informatyki, Polska Akademia Nauk Paweł Teisseyre
Bardziej szczegółowoDRZEWA REGRESYJNE I LASY LOSOWE JAKO
DRZEWA REGRESYJNE I LASY LOSOWE JAKO NARZĘDZIA PREDYKCJI SZEREGÓW CZASOWYCH Z WAHANIAMI SEZONOWYMI Grzegorz Dudek Instytut Informatyki Wydział Elektryczny Politechnika Częstochowska www.gdudek.el.pcz.pl
Bardziej szczegółowo10. Redukcja wymiaru - metoda PCA
Algorytmy rozpoznawania obrazów 10. Redukcja wymiaru - metoda PCA dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. PCA Analiza składowych głównych: w skrócie nazywana PCA (od ang. Principle Component
Bardziej szczegółowoZaawansowana eksploracja danych: Metody oceny wiedzy klasyfikacyjnej odkrytej z danych Jerzy Stefanowski Instytut Informatyki Politechnika Poznańska
Zaawansowana eksploracja danych: Metody oceny wiedzy klasyfikacyjnej odkrytej z danych Jerzy Stefanowski Instytut Informatyki Politechnika Poznańska Wykład dla spec. Mgr TPD Poznań 2008 popr. 2010 1 Ocena
Bardziej szczegółowoMetody zbiorów przybliżonych w uczeniu się podobieństwa z wielowymiarowych zbiorów danych
Metody zbiorów przybliżonych w uczeniu się podobieństwa z wielowymiarowych zbiorów danych WMIM, Uniwersytet Warszawski ul. Banacha 2, 02-097 Warszawa, Polska andrzejanusz@gmail.com 13.06.2013 Dlaczego
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoPRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU RESEARCH PAPERS OF WROCŁAW UNIVERSITY OF ECONOMICS
PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU RESEARCH PAPERS OF WROCŁAW UNIVERSITY OF ECONOMICS nr 507 2018 Taksonomia 30 ISSN 1899-3192 Klasyfikacja i analiza danych teoria i zastosowania e-issn
Bardziej szczegółowoO MOŻLIWOŚCIACH WYKORZYSTANIA ROTACYJNEGO LASU W BADANIACH RYNKOWYCH I MARKETINGOWYCH THE POSSIBILITY OF USE OF ROTATION FOREST IN MARKETING SURVEYS
EKONOMETRIA ECONOMETRICS 1(55) 2017 ISSN 1507-3866 e-issn 2449-9994 Mariusz Łapczyński Uniwersytet Ekonomiczny w Krakowie e-mail: lapczynm@uek.krakow.pl O MOŻLIWOŚCIACH WYKORZYSTANIA ROTACYJNEGO LASU W
Bardziej szczegółowoPRACE NAUKOWE Uniwersytetu Ekonomicznego we Wrocławiu
PRACE NAUKOWE Uniwersytetu Ekonomicznego we Wrocławiu RESEARCH PAPERS of Wrocław University of Economics Nr 328 Taksonomia 23 Klasyfikacja i analiza danych teoria i zastosowania Redaktorzy naukowi Krzysztof
Bardziej szczegółowo2. Empiryczna wersja klasyfikatora bayesowskiego
Algorytmy rozpoznawania obrazów 2. Empiryczna wersja klasyfikatora bayesowskiego dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Brak pełnej informacji probabilistycznej Klasyfikator bayesowski
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowo9. Praktyczna ocena jakości klasyfikacji
Algorytmy rozpoznawania obrazów 9. Praktyczna ocena jakości klasyfikacji dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Zbiór uczacy i zbiór testowy 1. Zbiór uczacy służy do konstrukcji (treningu)
Bardziej szczegółowoMetody konstrukcji oraz symulacyjne badanie właściwości jednorodnych i niejednorodnych komitetów klasyfikatorów
Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Zuzanna Branicka Nr albumu: 214711 Metody konstrukcji oraz symulacyjne badanie właściwości jednorodnych i niejednorodnych komitetów klasyfikatorów
Bardziej szczegółowoA Zadanie
where a, b, and c are binary (boolean) attributes. A Zadanie 1 2 3 4 5 6 7 8 9 10 Punkty a (maks) (2) (2) (2) (2) (4) F(6) (8) T (8) (12) (12) (40) Nazwisko i Imiȩ: c Uwaga: ta część zostanie wypełniona
Bardziej szczegółowoPlan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny
Sztuczne systemy immunologiczne Plan Naturalny system immunologiczny Systemy oparte na selekcji klonalnej Systemy oparte na modelu sieci idiotypowej 2 Podstawowy słownik Naturalny system immunologiczny
Bardziej szczegółowoWYKŁAD 6. Reguły decyzyjne
Wrocław University of Technology WYKŁAD 6 Reguły decyzyjne autor: Maciej Zięba Politechnika Wrocławska Reprezentacje wiedzy Wiedza w postaci reguł decyzyjnych Wiedza reprezentowania jest w postaci reguł
Bardziej szczegółowoMariusz Łapczyński, Uniwersytet Ekonomiczny w Krakowie
ANALIZA MIGRACJI KLIENTÓW (CHURN ANALYSIS) Mariusz Łapczyński, Uniwersytet Ekonomiczny w Krakowie Wprowadzenie do analizy migracji klientów (churn analysis) Termin churn jest stosowany w branży telekomunikacyjnej
Bardziej szczegółowoWprowadzenie do programu RapidMiner, część 3 Michał Bereta
Wprowadzenie do programu RapidMiner, część 3 Michał Bereta www.michalbereta.pl 1. W programie RapidMiner mamy do dyspozycji kilka dyskryminacyjnych modeli liniowych jako operatory: a. LDA Linear Discriminant
Bardziej szczegółowoRedukcja wymiarowości i selekcja cech w zadaniach klasyfikacji i regresji z wykorzystaniem uczenia maszynowego
zeszyty naukowe uniwersytetu szczecińskiego NR 733 studia informatica nr 30 2012 Paweł Ziemba * Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Redukcja wymiarowości i selekcja cech w zadaniach
Bardziej szczegółowoMateusz Kobos Seminarium z Metod Inteligencji Obliczeniowej, MiNI PW
Klasyfikacja za pomocą kombinacji estymatorów jądrowych: dobór szerokości jądra w zależności od lokalizacji w przestrzeni cech, stosowanie różnych przekształceń przestrzeni, funkcja błędu oparta na information
Bardziej szczegółowoTechniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I
Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:
Bardziej szczegółowoRozpoznawanie obiektów na podstawie zredukowanego zbioru cech. Piotr Porwik Uniwersytet Śląski w Katowicach
Rozpoznawanie obiektów na podstawie zredukowanego zbioru cech Piotr Porwik Uniwersytet Śląski w Katowicach ?? It is obvious that more does not mean better, especially in the case of classifiers!! *) *)
Bardziej szczegółowoAlgorytmy klasyfikacji
Algorytmy klasyfikacji Konrad Miziński Instytut Informatyki Politechnika Warszawska 6 maja 2015 1 Wnioskowanie 2 Klasyfikacja Zastosowania 3 Drzewa decyzyjne Budowa Ocena jakości Przycinanie 4 Lasy losowe
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-10 Projekt pn. Wzmocnienie
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoBlokowe i przyrostowe klasyfikatory złożone dla strumieni danych ze zmienną definicją klas
Politechnika Poznańska Wydział Informatyki Streszczenie rozprawy doktorskiej mgr inż. Dariusz Brzeziński Blokowe i przyrostowe klasyfikatory złożone dla strumieni danych ze zmienną definicją klas Promotor:
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Uczenie się klasyfikatorów przy zmieniającej się definicji klas.
mgr inż. Magdalena Deckert Poznań, 01.06.2010r. Uczenie się klasyfikatorów przy zmieniającej się definicji klas. Plan prezentacji Wstęp Concept drift Typy zmian Podział algorytmów stosowanych w uczeniu
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoKomitety sieci konwolucyjnych w zagadnieniu klasyfikacji przy jednoczesnym zaszumieniu danych wejściowych oraz etykiet klas. Stanisław Kaźmierczak
Komitety sieci konwolucyjnych w zagadnieniu klasyfikacji przy jednoczesnym zaszumieniu danych wejściowych oraz etykiet klas Stanisław Kaźmierczak Szum i jego rodzaje Źródła szumu Model Architektura sieci
Bardziej szczegółowoKognitywne hierarchiczne aktywne podziały. Arkadiusz Tomczyk.
Arkadiusz Tomczyk arkadiusz.tomczyk@p.lodz.pl projekt finansowany przez: Narodowe Centrum Nauki numer projektu: 2012/05/D/ST6/03091 Przykładowy problem Diagnostyka zatorowości płucnej Obrazowanie CT sprzężone
Bardziej szczegółowoSprawozdanie z zadania Modele predykcyjne (2)
Maciej Karpus, 131529 Tomasz Skarżyński, 131618 19.04.2013r. Sprawozdanie z zadania Modele predykcyjne (2) 1. Wprowadzenie 1.1. Informacje wstępne Dane dotyczą wyników badań mammograficznych wykonanych
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoLingwistyczne podsumowania baz danych.inteligentne generowanie s
Lingwistyczne podsumowania baz danych. Inteligentne generowanie streszczeń Instytut Informatyki, Politechnika Łódzka Katowice, 29 stycznia 2010 r. Problematyka Bazy i hurtownie danych olbrzymia ilość liczb......
Bardziej szczegółowoBadania w sieciach złożonych
Badania w sieciach złożonych Grant WCSS nr 177, sprawozdanie za rok 2012 Kierownik grantu dr. hab. inż. Przemysław Kazienko mgr inż. Radosław Michalski Instytut Informatyki Politechniki Wrocławskiej Obszar
Bardziej szczegółowoKonstrukcja biortogonalnych baz dyskryminacyjnych dla problemu klasyfikacji sygnałów. Wit Jakuczun
Konstrukcja biortogonalnych baz dyskryminacyjnych dla problemu klasyfikacji sygnałów Politechnika Warszawska Strona 1 Podstawowe definicje Politechnika Warszawska Strona 2 Podstawowe definicje Zbiór treningowy
Bardziej szczegółowoNowe narzędzia pozycjonowania uczelni założenia U-Map i U-Multirank. Szansa, czy zagrożenie dla polskich uczelni?
Nowe narzędzia pozycjonowania uczelni założenia U-Map i U-Multirank. Szansa, czy zagrożenie dla polskich uczelni? Gliwice, 30.11.2012 Jakub Brdulak Ekspert Boloński U-Map i U-Multirank Jakub Brdulak 1
Bardziej szczegółowoTransformaty w klasyfikacji szeregów czasowych
Transformaty w klasyfikacji szeregów czasowych Tomasz Górecki Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza XXXVIII Konferencja Statystyka Matematyczna Wisła 3-7.12.2012 T. Górecki
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.
Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING NEURONOWE MAPY SAMOORGANIZUJĄCE SIĘ Self-Organizing Maps SOM Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoOpisy przedmiotów do wyboru
Opisy przedmiotów do wyboru moduły specjalistyczne oferowane na stacjonarnych studiach II stopnia (magisterskich) dla 2 roku matematyki semestr letni, rok akademicki 2017/2018 Spis treści 1. Data mining
Bardziej szczegółowoAlgorytmy estymacji stanu (filtry)
Algorytmy estymacji stanu (filtry) Na podstawie: AIMA ch15, Udacity (S. Thrun) Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 kwietnia 2014 Problem lokalizacji Obserwowalność? Determinizm?
Bardziej szczegółowoArchitektury i technologie integracji danych
Architektury i technologie integracji danych Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Problematyka i architektury integracji
Bardziej szczegółowoHybrydowa analiza transformat w rozpoznawaniu wysokości dźwięków w polifonicznych nagraniach instrumentów muzycznych
Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej Politechnika Łódzka Streszczenie rozprawy doktorskiej Hybrydowa analiza transformat w rozpoznawaniu wysokości dźwięków w polifonicznych nagraniach
Bardziej szczegółowoZastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
Bardziej szczegółowoJAKOŚĆ DANYCH Z PERSPEKTYWY SYSTEMÓW WSPOMAGANIA DECYZJI KLINICZNYCH. Dr hab. inż. Szymon Wilk Politechnika Poznańska Instytut Informatyki
JAKOŚĆ DANYCH Z PERSPEKTYWY SYSTEMÓW WSPOMAGANIA DECYZJI KLINICZNYCH Dr hab. inż. Szymon Wilk Politechnika Poznańska Instytut Informatyki Warszawa, 28.11.2011 Konferencja ekspercka dotycząca e-zdrowia
Bardziej szczegółowoMail: Pokój 214, II piętro
Wykład 2 Mail: agnieszka.nowak@us.edu.pl Pokój 214, II piętro http://zsi.tech.us.edu.pl/~nowak Predykcja zdolność do wykorzystania wiedzy zgromadzonej w systemie do przewidywania wartości dla nowych danych,
Bardziej szczegółowoKombinacja jądrowych estymatorów gęstości w klasyfikacji - zastosowanie na sztucznym zbiorze danych
Kombinacja jądrowych estymatorów gęstości w klasyfikacji - zastosowanie na sztucznym zbiorze danych Mateusz Kobos, 07.04.2010 Seminarium Metody Inteligencji Obliczeniowej Spis treści Opis algorytmu i zbioru
Bardziej szczegółowoZastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2014/2015
Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2014/2015 Sieci Kohonena Sieci Kohonena Sieci Kohonena zostały wprowadzone w 1982 przez fińskiego
Bardziej szczegółowoSzacowanie ryzyka z wykorzystaniem zmiennej losowej o pramatkach rozmytych w oparciu o język BPFPRAL
Szacowanie ryzyka z wykorzystaniem zmiennej losowej o pramatkach rozmytych w oparciu o język BPFPRAL Mgr inż. Michał Bętkowski, dr inż. Andrzej Pownuk Wydział Budownictwa Politechnika Śląska w Gliwicach
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoUCZENIE MASZYNOWE III - SVM. mgr inż. Adam Kupryjanow
UCZENIE MASZYNOWE III - SVM mgr inż. Adam Kupryjanow Plan wykładu Wprowadzenie LSVM dane separowalne liniowo SVM dane nieseparowalne liniowo Nieliniowy SVM Kernel trick Przykłady zastosowań Historia 1992
Bardziej szczegółowoBadania w zakresie sztucznej inteligencji na Politechnice Poznańskiej
Badania w zakresie sztucznej inteligencji na Politechnice Poznańskiej Jerzy Stefanowski Politechnika Poznańska Polskie Stowarzyszenie Sztucznej Inteligencji Sem. PSSI Kraków, 16 11 2012 Informacje ogólne
Bardziej szczegółowoWprowadzenie do programu RapidMiner, część 3 Michał Bereta
Wprowadzenie do programu RapidMiner, część 3 Michał Bereta www.michalbereta.pl 1. W programie RapidMiner mamy do dyspozycji kilka dyskryminacyjnych modeli liniowych jako operatory: a. LDA Linear Discriminant
Bardziej szczegółowoOprogramowanie Systemów Obrazowania SIECI NEURONOWE
SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,
Bardziej szczegółowoInteligentne systemy informacyjne
Filip Graliński Inteligentne systemy informacyjne Rekomendacje założenia n użytkowników (widzów, czytelników, słuchaczy etc.) m obiektów (filmów, książek, piosenek etc.) opinie wyrażone za pomocą liczb
Bardziej szczegółowoWYKAZ REFERATÓW WYGŁOSZONYCH NA KONFERENCJACH
Dr Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu Wydział Ekonomii, Zarządzania i Turystyki Katedra Ekonometrii i Informatyki WYKAZ REFERATÓW WYGŁOSZONYCH NA KONFERENCJACH I. Konferencje naukowe (z
Bardziej szczegółowoWybrane zagadnienia uczenia maszynowego. Zastosowania Informatyki w Informatyce W2 Krzysztof Krawiec
Wybrane zagadnienia uczenia maszynowego Zastosowania Informatyki w Informatyce W2 Krzysztof Krawiec Przygotowane na podstawie T. Mitchell, Machine Learning S.J. Russel, P. Norvig, Artificial Intelligence
Bardziej szczegółowoBadania sondażowe. Schematy losowania. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badania sondażowe Schematy losowania Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa 1 Próba jako miniatura populacji CELOWA subiektywny dobór jednostek
Bardziej szczegółowoZASTOSOWANIE ODCINKOWO-LINIOWEGO MINIMODELU DO MODELOWANIA PRODUKCJI SPRZEDANEJ PRZEMYSŁU
ZASTOSOWANIE ODCINKOWO-LINIOWEGO MINIMODELU DO MODELOWANIA PRODUKCJI SPRZEDANEJ PRZEMYSŁU W artykule przedstawiono now metod modelowania zjawisk ekonomicznych. Metoda odcinkowo-liniowego minimodelu szczególnie
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowodr Anna Matuszyk PUBLIKACJE: CeDeWu przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Profile of the Fraudulelent Customer
dr Anna Matuszyk PUBLIKACJE: Lp. Autor/ red. 2015 naukowy 1 A. Matuszyk, Zastosowanie analizy przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Tytuł Okładka CeDeWu 2 A.Matuszyk, A. Ptak-Chmielewska,
Bardziej szczegółowoMachine learning Lecture 2
Machine learning Lecture 2 Marcin Wolter IFJ PAN 9 March 2017 Proste metody nieliniowe jak naiwny klasyfikator bayesowski, metoda k-najbliższych sąsiadów, metody jądrowe Parzena. Wzmocnone drzewa decyzyjne
Bardziej szczegółowoRILL - przyrostowy klasyfikator regułowy uczący się ze zmiennych środowisk
Wprowadzenie RILL - przyrostowy klasyfikator regułowy uczący się ze zmiennych środowisk Magdalena Deckert Politechnika Poznańska, Instytut Informatyki Seminarium ISWD, 21.05.2013 M. Deckert Przyrostowy
Bardziej szczegółowo