Systemy uczące się

Systemy uczące się

Rozpoznawanie wzorców analiza skupień i redukcja wymiarowości

2 oceny

Wydawca:

Wydawnictwo WNT

Format:

ibuk

RODZAJ DOSTĘPU

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

Cena początkowa:

Najniższa cena z 30 dni: 6,92 zł  


6,92

w tym VAT

Jest to nowoczesny podręcznik zaawansowanych technik analizy danych stosowanych w zagadnieniach klasyfikacji, z głównym naciskiem na metody statystyczne.


Książka składa się z dwóch części.W pierwszej z nich przedstawiono systemy uczenia się pod nadzorem, w części drugiej opisano cztery podstawowe metody uczenia się bez nadzoru. Uwzględniono większość nowych najbardziej obiecujących metod powstałych w ostatnim dziesięcioleciu.


Podręcznik jest przeznaczony dla studentów studiów matematycznych, informatycznych i technicznych, na których analiza jest przedmiotem obowiązkowym lub fakultatywnym.


Plik pdf ma postać skanów co uniemożliwia przeszukiwanie tekstu.


Rok wydania2008
Liczba stron400
KategoriaAnaliza matematyczna
WydawcaWydawnictwo WNT
ISBN-13978-83-204-3459-0
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyePWN sp. z o.o.

Ciekawe propozycje

Spis treści

  Przedmowa    9
  Spis oznaczeń    13
  Część I . Statystyczne systemy uczące się pod nadzorem. Rozpoznawanie wzorców    17
    1.Probabilistyczne metody klasyfikacyjne    19
      1.1. Wektory losowe i ich rozkłady prawdopodobieństwa    19
      1.2. Pojęcia wstępne    22
      1.3. Rzeczywisty i aktualny poziom błędu, klasyfikator bayesowski    24
      1.4. Klasyfikatory gaussowskie    30
      1.5. Naiwny klasyfikator bayerowski    41
      1.6. Liniowa funkcja dyskryminacyjna Fishera    42
      1.7. Zmienne dyskryminacyjne    45
      1.8. Klasyfikatory liniowe Andersena Bahadura    53
      1.9. Klasyfikatory liniowe maksymalizujące odległości probabilistyczne    58
      1.10. Estymacja aktualnego poziomu błędu    63
    2. Metody regresyjne    70
      2.1. Regresja liniowa    70
      2.2. Regresja logistyczna    72
      2.3. Związek między regresją logistyczną i liniową analizą dyskryminacyjną    77
      2.4. Estymatory jądrowe gęstości    79
      2.5. Regresja nieparametryczna    87
    3. Krzywe ROC    90
    4. Metoda wektorów nośnych    107
      4.1. Model liniowy    107
      4.2. Model nieliniowy    114
      4.3. Zagadnienie K klas    116
      4.4. VC wymiar i zasada SRM    117
      4.5. Optymalizacja    126
    5. Metoda najbliższego sąsiada    135
      5.1. Miara niepodobieństwa    136
      5.2. Estymacja funkcji gęstości    139
      5.3. Własności graniczne    141
      5.4. Metody rozwiązywania sytuacji remisowych    144
      5.5. Metody wyboru reprezentatywnego podzbioru obserwacji    146
      5.6. Uwagi praktyczne    151
    6. Drzewa klasyfikacyjne    152
      6.1. Konstrukcja drzewa klasyfikacyjnego    156
      6.2. Kryteria podziału - metoda CART    159
      6.3. Optymalna wielkość drzewa klasyfikacyjnego    168
      6.4. Kryteria podziału - metoda QUEST    178
      6.5. Brakujące wartości cech    184
    7. Sieci neuronowe    187
      7.1. Modele neuronów    189
        7.1.1. Perceptron    192
        7.1.2. ADALINE (ADAptive LInear Neuron)    203
        7.1.3. Neuron sigmoidalny    207
        7.1.4. Neuron Hebba    209
      7.2. Sieci wielowarstwowe    212
        7.2.1. MADALINE (Many ADALINE’s)    219
      7.3. Metody uczenia sieci neuronowych    219
        7.3.1. Funkcja błędu    220
        7.3.2. Ogólna idea algorytmów iteracyjnych    221
        7.3.3. Algorytm największego spadku    225
        7.3.4. Algorytm wstecznej propagacji błędu    226
        7.3.5. Modyfikacje algorytmu BP    228
        7.3.6. Algorytm zmiennej metryki    232
        7.3.7. Metoda gradientów sprzężonych    234
        7.3.8. Algorytm Levenberga-Marquardta    238
        7.3.9. Rekurencyjna metoda najmniejszych kwadratów    240
        7.3.10. Algorytm symulowanego wyżarzania    241
        7.3.11. Algorytmy ewolucyjne i genetyczne    243
      7.4. Sieci rekurencyjne    245
        7.4.1. Sieci Hopfielda    245
        7.4.2. Sieci Hamminga    249
      7.5. Sieci samoorganizujące się z konkurencją (współzawodnictwem)    255
        7.5.1. Sieci WTA (Winner Takes All)    256
        7.5.2. Sieci WTM (Winner Takes Most)    258
      7.6. Sieci rezonansowe    263
      7.7. Sieci o radialnych funkcjach bazowych    267
      7.8. Probabilistyczne sieci neuronowe    273
      7.9. Uwagi praktyczne    274
    8. Dekompozycja zagadnień wieloklasowych    280
      8.1. Metoda OPC    280
      8.2. Metoda ECOC    282
      8.3. Metoda PWC    285
    9. Wzmacnianie klasyfikatorów    292
      9.1. Algorytm bagging    293
      9.2. Algorytmy typu boosting    295
    10. Procedury kombinowane    312
      10.1. Metoda selekcji    313
      10.2. Łączenie klasyfikatorów    315
        10.2.1. Metoda głosowania    315
        10.2.2. Elementarne metody łączenia klasyfikatorów    317
        10.2.3. Regresja stosowa    320
  Część II. Statystyczne systemy uczące się bez nadzoru Analiza skupień, redukcja wymiaru    327
    11. Analiza składowych głównych    329
      11.1. Definicja składowych głównych    331
      11.2. Własności składowych głównych    332
      11.3. Metody pomijania składowych głównych    339
    12. Analiza skupień    345
      12.1. Algorytmy hierarchiczne    346
      12.2. Metoda K-średnich    352
      12.3. Inne algorytmy analizy skupień    358
    13. Skalowanie wielowymiarowe    362
      13.1. Klasyczne skalowanie    363
      13.2. Skalowanie metryczne    365
      13.3. Skalowanie porządkowe    367
    14. Analiza korespondencji    372
      14.1. Algorytm analizy korespondencji    372
      14.2. Wieloczynnikowa analiza korespondencji     379
  Literatura     382
  Polski skorowidz pojęć     392
  Angielski skorowidz pojęć     398
RozwińZwiń