POLECAMY
Wydawca:
Format:
pdf, ibuk
Prezentowana książka składa się z dwóch zasadniczych części. Część pierwsza ma charakter teoretyczny. Omawia genezę, rozwój, podstawy empiryczne i teoretyczne procesu klasyfikacji i grupowania danych. Jest pełna faktów, anegdot i własnych przemyśleń autorów.
Część druga książki jest poświęcona szerokim badaniom teoretycznym, symulacyjnym i empirycznym nad własnościami samouczących się sieci neuronowych w grupowaniu danych społeczno-ekonomicznych. Szczegółowo omówiono algorytm budowy i samouczenia się trzech modeli sztucznych sieci neuronowych: SOM (Self Organizing Map), GNG (Growing Neural Gas) i sieci hybrydowej SOM-GNG. Zaproponowano także ich modyfikacje zwiększające zdolność badanych sieci do poprawnego wyróżniania istniejących skupień.
W książce położono szczególny nacisk na możliwie prosty i przejrzysty opis często złożonych zjawisk. Poza koniecznym formalizmem matematycznym autorzy posługują się wieloma zaawansowanymi metodami wizualizacji omawianych zagadnień. Dzięki temu, mimo naukowego charakteru książki, może ona stanowić wartościowy podręcznik dla bardziej zaawansowanych studentów, praktyków i naukowców nie będących specjalistami w zakresie klasyfikacji i grupowania danych.
Rok wydania | 2013 |
---|---|
Liczba stron | 414 |
Kategoria | Metody ilościowe |
Wydawca | Wydawnictwo Uniwersytetu Gdańskiego |
ISBN-13 | 978-83-7865-111-6 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
POLECAMY
Ciekawe propozycje
Spis treści
Wstęp | 9 |
1. Istota oraz cele grupowania i klasyfikacji danych 19 | |
1.1. Cele grupowania i klasyfikacji danych | 19 |
1.2. Klasyfikacja – rys historyczny | 23 |
1.3. Rozwój taksonomii numerycznej | 31 |
1.4. Klasyfikacja a grupowanie | 39 |
1.5. Klasyfikacja metod grupowania | 45 |
1.6. Metody i algorytmy grupowania | 50 |
2. Ocena struktury grupowej jednostek | 59 |
2.1. Problem oceny jakości struktury grupowej jednostek | 59 |
2.2. Ocena jakości struktury grupowej jednostek w oparciu o kryterium zewnętrzne | 62 |
2.3. Ocena jakości struktury grupowej jednostek w oparciu o kryterium wewnętrzne | 74 |
2.4. Ocena jakości struktury grupowej jednostek w oparciu o kryterium względne | 86 |
2.4.1. Klasyfikacja metod ustalania liczby skupień | 86 |
2.4.2. Charakterystyka wybranych wskaźników oceny jakości grupowania | 92 |
3. Sztuczna inteligencja | 103 |
3.1. Istota inteligencji | 103 |
3.2. Historia badań nad sztuczną inteligencją | 109 |
3.3. Budowa i metody uczenia neuronu matematycznego | 122 |
3.4. Pojęcie i metody uczenia sztucznych sieci neuronowych | 124 |
3.5. Klasyfikacja topologii sztucznych sieci neuronowych | 125 |
4. Przygotowanie danych do grupowania i klasyfikacji | 131 |
4.1. Etapy przygotowania danych | 131 |
4.2. Kontrola materiału statystycznego | 134 |
4.3. Imputacja braków danych | 137 |
4.4. Transformacja danych | 142 |
4.5. Redukcja jednostek i cech zmiennych | 143 |
4.6. Wybór cech zmiennych | 147 |
5. Samoucząca się sieć neuronowa typu SOM | 155 |
5.1. Mapa samoorganizująca się Kohonena | 155 |
5.2. Proces samouczenia się sieci SOM | 158 |
5.2.1. Struktura sieci SOM | 158 |
5.2.2. Algorytm samouczenia się sieci SOM | 163 |
5.3. Ocena jakości odwzorowania jednostek na sieci SOM | 169 |
5.3.1. Graficzna ocena jakości odwzorowania | 169 |
5.3.2. Formalna ocena jakości odwzorowania | 173 |
5.4. Własności sieci SOM w grupowaniu danych | 176 |
5.4.1. Analiza wpływu struktury sieci SOM na jakość grupowania | 176 |
5.4.2. Analiza wpływu rodzaju inicjalizacji sieci SOM na jakość grupowania | 184 |
5.4.3. Analiza wpływu wartości nietypowych i zaszumienia danych na jakość grupowania | 188 |
5.4.4. Analiza czynników wpływających na szybkość procesu samouczenia się sieci SOM | 195 |
5.4.5. Analiza wpływu liczby cech na zdolność sieci SOM do wyróżniania skupień | 202 |
5.5. Problemy w stosowaniu sieci SOM | 214 |
5.6. Dalsze kierunki badań | 220 |
5.7. Zastosowanie sieci SOM do wyboru oferty na wtórnym rynku nieruchomości | 223 |
6. Samoucząca się sieć neuronowa typu GNG | 233 |
6.1. Gaz neuronowy o zmiennej strukturze | 233 |
6.2. Algorytm budowy i samouczenia się sieci GNG | 234 |
6.3. Własności procesu samouczenia się sieci GNG | 237 |
6.4. Własności sieci GNG w grupowaniu danych | 242 |
6.5. Problemy w stosowaniu sieci GNG | 261 |
6.6. Modyfikacje algorytmu budowy i samouczenia się sieci GNG | 263 |
6.7. Sieć GNG w dynamicznym grupowaniu danych | 267 |
6.8. Dalsze kierunki badań | 281 |
6.9. Zastosowanie sieci GNG do wyboru klientów w sprzedaży bezpośredniej | 283 |
7. Hybrydowa samoucząca się sieć neuronowa typu SOM-GNG | 291 |
7.1. Niedoskonałości sieci SOM i GNG w wyróżnianiu skupień | 291 |
7.2. Idea samouczących się sieci hybrydowych | 294 |
7.2.1. Idea sieci hybrydowej SOM-GNG | 294 |
7.2.2. Budowa hybrydowej samouczącej się sieci SOM-GNG | 295 |
7.3. Inne sieci hybrydowe oparte na sieci SOM | 299 |
7.4. Własności sieci hybrydowych w grupowaniu danych | 304 |
7.5. Empiryczne zastosowania hybrydowej sieci SOM-GNG | 317 |
7.5.1. Badania preferencji i zwyczajów zakupowych | 317 |
7.5.2. Zastosowanie sieci SOM-GNG w poszukiwaniu wzorców zakupowych | 319 |
7.5.3. Problem filtrowania spamu | 332 |
7.5.4. Zastosowanie sieci SOM-GNG do rozwiązania problemu filtrowania spamu | 335 |
Wnioski | 345 |
Aneks 1. Strona tytułowa oryginalnej dokumentacji programu naukowego ENIAC | 349 |
Aneks 2. Charakterystyka zbiorów testowych | 351 |
Aneks 3. Wykorzystane oprogramowanie | 355 |
Bibliografia | 365 |
Wykaz tablic, rysunków, schematów oraz wykresów | 405 |
Tablice | 405 |
Rysunki | 407 |
Schematy | 410 |
Wykresy | 411 |
Indeks | 413 |