1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

Wielkość: px

Rozpocząć pokaz od strony:

Download "1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie"

Antonina Borkowska
8 lat temu
Przeglądów:

1 Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty algorytmów eksploracji danych Funkcje oceny Metody optymalizacji i przeszukiwania Strategie zarządzania danymi 1.6. Wzajemne oddziaływanie statystyki i eksploracji danych 1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie 1.8. Podsumowanie 1.9. Literatura dodatkowa 2. Pomiary i dane 2.1. Wprowadzenie 2.2. Typy pomiarów 2.3. Miary odległości 2.4. Przekształcanie danych 2.5. Postać danych 2.6. Jakość pomiarów jednostkowych

Strategie zarządzania danymi 1.6. Wzajemne oddziaływanie statystyki i eksploracji danych 1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie 1.8.

2 2.7. Jakość zbiorów danych 2.8. Zakończenie 2.9. Literatura dodatkowa 3. Wizualizacja i eksploracja danych 3.1. Wprowadzenie 3.2. Podsumowywanie danych kilka prostych przykładów 3.3. Narzędzia do przedstawiania pojedynczych zmiennych 3.4. Narzędzia do przedstawiania zależności między dwoma zmiennymi 3.5. Narzędzia do przedstawiania więcej niż dwóch zmiennych 3.6. Analiza składowych głównych 3.7. Skalowanie wielowymiarowe 3.8. Literatura dodatkowa 4. Analiza danych a niepewność 4.1. Wprowadzenie 4.2. Radzenie sobie z niepewnością 4.3. Zmienne losowe i ich zależności Wielowymiarowe zmienne losowe 4.4. Próbki i wnioskowanie statystyczne 4.5. Estymacja (szacowanie) Pożądane własności estymatorów Estymacja metodą największej wiarygodności Estymacja bayesowska 4.6. Testowanie hipotez Klasyczne testowanie hipotez Testowanie hipotez w kontekście

Literatura dodatkowa 4. Analiza danych a niepewność 4.1. Wprowadzenie 4.2. Radzenie sobie z niepewnością 4.3. Zmienne losowe i ich zależności 4.3.1. Wielowymiarowe zmienne losowe 4.4. Próbki i wnioskowanie statystyczne 4.

3 4.7. Metody próbkowania 4.8. Zakończenie 4.9. Literatura dodatkowa 5. Usystematyzowany przegląd algorytmów eksploracji danych 5.1. Wprowadzenie 5.2. Przykład: Algorytm CART do tworzenia klasyfikatorów drzewiastych 5.3. Uproszczone spojrzenie na algorytmy eksploracji danych Perceptrony wielowarstwowe do regresji i klasyfikacji Algorytm Apriori do uczenia się reguł asocjacyjnych Przestrzennowektorowe algorytmy do wyszukiwania tekstu 5.4. Dyskusja 5.5. Literatura dodatkowa 6. Modele i wzorce 6.1. Wprowadzenie 6.2. Podstawowe zasady modelowania 6.3. Struktury modelu do przewidywania Modele regresji o strukturze liniowej Lokalne segmentowe struktury modeli do regresji Nieparametryczne lokalne modele pamięciowe Stochastyczne komponenty struktury modelu Modele przewidywania do klasyfikacji Na marginesie: Wybieranie modeli odpowiedniej złożoności 6.4. Modele rozkładów prawdopodobieństwa i funkcji gęstości Ogólne pojęcia Mieszane modele parametryczne

Algorytm Apriori do uczenia się reguł asocjacyjnych 5.3.3. Przestrzennowektorowe algorytmy do wyszukiwania tekstu 5.4. Dyskusja 5.5. Literatura dodatkowa 6. Modele i wzorce 6.1. Wprowadzenie 6.2.

4 Rozkłady łączne dla nieuporządkowanych danych kategorycznych Faktoryzacja i niezależność w wysokich wymiarach 6.5. Przekleństwo wymiarowości Wybieranie zmiennych dla danych wysokowymiarowych Przekształcenia dla danych wysokowymiarowych 6.6. Modele dla danych ustrukturalizowanych 6.7. Struktury wzorców Wzorce w macierzach danych Wzorce dla ciągów znaków 6.8. Literatura dodatkowa 7. Funkcje oceny dla algorytmów eksploracji danych 7.1. Wprowadzenie 7.2. Ocenianie wzorców 7.3. Przewidujące a opisowe funkcje oceny Funkcje ocen dla modeli przewidywania Funkcje oceny dla modeli opisowych 7.4. Ocenianie modeli o różnej złożoności Ogólne koncepcje oceniania modeli Obciążeniewariancja po raz kolejny Funkcje oceny karzące złożoność Funkcje oceny używające zewnętrznej walidacji 7.5. Ocenianie modeli i wzorców 7.6. Metody odporne 7.7. Literatura dodatkowa 8. Metody przeszukiwania i optymalizacji 8.1. Wprowadzenie

Wzorce w macierzach danych 6.7.2. Wzorce dla ciągów znaków 6.8. Literatura dodatkowa 7. Funkcje oceny dla algorytmów eksploracji danych 7.1. Wprowadzenie 7.2. Ocenianie wzorców 7.3.

5 8.2. Przeszukiwanie dla modeli i wzorców Tło przeszukiwania Sformułowanie stanowoprzestrzenne dla przeszukiwania w eksploracji danych Prosty algorytm zachłannego przeszukiwania Przeszukiwanie systematyczne i heurystyki przeszukiwania Metoda podziału i ograniczeń 8.3. Metody optymalizacji parametrów Optymalizacja parametrów: tło Metody zamkniętej postaci i metody algebry liniowej Metody gradientowe optymalizacji funkcji gładkich Optymalizacja parametrów jednowymiarowych Optymalizacja parametrów wielowymiarowych Optymalizacja ograniczona 8.4. Optymalizacja przy brakujących danych: Algorytm EM 8.5. Algorytmy bezpośrednie i o pojedynczym skanowaniu 8.6. Przeszukiwania stochastyczne i techniki optymalizacji 8.7. Literatura dodatkowa 9. Modelowanie opisowe 9.1. Wprowadzenie 9.2. Opisywanie danych przez rozkłady prawdopodobieństwa i ich gęstości Wprowadzenie Funkcje oceny do szacowania rozkładów prawdopodobieństwa i ich gęstości Parametryczne modele gęstości Mieszane rozkłady i gęstości Algorytm EM dla modeli mieszanych

3.3. Metody gradientowe optymalizacji funkcji gładkich 8.3.4. Optymalizacja parametrów jednowymiarowych 8.3.5. Optymalizacja parametrów wielowymiarowych 8.3.6. Optymalizacja ograniczona 8.4. Optymalizacja przy brakujących danych: Algorytm EM 8.

6 Nieparametryczna estymacja gęstości Rozkłady łączne dla danych kategorycznych 9.3. Podłoże analizy skupień 9.4. Algorytmy grupowania oparte na podziale Funkcje oceny dla grupowania opartego na podziale Podstawowe algorytmy dla grupowania opartego na podziale 9.5. Grupowanie hierarchiczne Metody aglomeracyjne Metody rozdzielające 9.6. Grupowanie oparte na modelu probabilistycznym przy użyciu modeli mieszanych 9.7. Literatura dodatkowa 10. Modelowanie przewidujące dla klasyfikacji Krótki przegląd modelowania przewidującego Wprowadzenie do modelowania klasyfikacji Klasyfikacja rozróżniająca i granice decyzyjne Modele probabilistyczne dla klasyfikacji Budowanie rzeczywistych klasyfikatorów Perceptron Liniowe funkcje dyskryminacyjne Modele drzewiaste Metody najbliższego sąsiedztwa Analiza logistycznych funkcji dyskryminacyjnych Naiwny model Bayesa Inne metody Ocenianie i porównywanie klasyfikatorów Dobór cech dla klasyfikacji w wysokich wymiarach

6. Grupowanie oparte na modelu probabilistycznym przy użyciu modeli mieszanych 9.7. Literatura dodatkowa 10. Modelowanie przewidujące dla klasyfikacji 10.1. Krótki przegląd modelowania przewidującego 10.

7 Literatura dodatkowa 11. Modelowanie przewidujące dla regresji Wprowadzenie Modele liniowe i dopasowanie metodą najmniejszych kwadratów Kwestie obliczeniowe przy dopasowywaniu modeli Probabilistyczna interpretacja regresji liniowej Interpretowanie dopasowanych modeli Wnioskowanie i uogólnienie Przeszukiwanie modeli i budowanie modelu Diagnostyka i sprawdzanie modeli Uogólnianie modeli liniowych Sztuczne sieci neuronowe Inne modele wysoko sparametryzowane Uogólnione modele addytywne Regresja poszukiwania projekcji Literatura dodatkowa 12. Organizacja danych i bazy danych Wprowadzenie Hierarchia pamięci Struktury indeksowe B-drzewa Indeksy haszowane Indeksowanie wielowymiarowe Relacyjne bazy danych Operacje na tabelach

Diagnostyka i sprawdzanie modeli 11.3. Uogólnianie modeli liniowych 11.4. Sztuczne sieci neuronowe 11.5. Inne modele wysoko sparametryzowane 11.5.1. Uogólnione modele addytywne 11.5.2.

8 12.7. Strukturalny język zapytań (SQL) Wykonywanie zapytań i optymalizacja Hurtownie danych i bezpośrednie przetwarzanie analityczne (OLAP) Struktury danych dla OLAP Bazy danych ciągów znakowych Ogromne zbiory danych, zarządzanie danymi i eksploracja danych Pakowanie danych do pamięci operacyjnej Skalowalne wersje algorytmów eksploracji danych Specjalizowane algorytmy dostępu do dysku Zbiory pseudodanych i statystyki dostateczne Literatura dodatkowa 13. Znajdowanie wzorców i reguł Wprowadzenie Reprezentacje reguł Częste zbiory elementów i reguły asocjacyjne Wprowadzenie Znajdowanie zbiorów częstych i reguł asocjacyjnych Uogólnienia Znajdowanie epizodów w sekwencjach Wybiórcze odkrywanie wzorców i reguł Wprowadzenie Przeszukiwanie heurystyczne do znajdowania wzorców Kryteria dla reguł interesujących Od lokalnych wzorców do globalnych modeli Indukowanie reguł przewidywania

12.3. Specjalizowane algorytmy dostępu do dysku 12.12.4. Zbiory pseudodanych i statystyki dostateczne 12.13. Literatura dodatkowa 13. Znajdowanie wzorców i reguł 13.1. Wprowadzenie 13.2. Reprezentacje reguł 13.

9 13.9. Literatura dodatkowa 14. Wyszukiwanie według zawartości Wprowadzenie Ocenianie systemów wyszukujących Trudności w ocenie działania wyszukującego Precyzja a przywołanie Precyzja i przywołanie w praktyce Wyszukiwanie tekstów Reprezentowanie tekstów Dopasowywanie zapytań i dokumentów Ukryte indeksowanie semantyczne Klasyfikacja dokumentów i tekstów Modelowanie indywidualnych preferencji Istotnościowe sprzężenie zwrotne Systemy zautomatyzowanego rekomendowania Wyszukiwanie obrazów Zrozumienie obrazów Reprezentowanie obrazów Zapytania do obrazów Niezmienniki obrazów Uogólnienia wyszukiwania obrazów Wyszukiwanie szeregów czasowych i sekwencji Modele globalne dla danych szeregów czasowych Struktura i kształt w szeregach czasowych Podsumowanie Literatura dodatkowa

4. Modelowanie indywidualnych preferencji 14.4.1. Istotnościowe sprzężenie zwrotne 14.4.2. Systemy zautomatyzowanego rekomendowania 14.5. Wyszukiwanie obrazów 14.5.1. Zrozumienie obrazów 14.5.2. Reprezentowanie obrazów 14.

10 Dodatek. Zmienne losowe Bibliografia Skorowidz

Podobne dokumenty

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74 3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15