Algorytmy analizy skupień

Algorytmy analizy skupień

1 opinia

Format:

ibuk

WYBIERZ RODZAJ DOSTĘPU

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

6,15

Wypożycz na 24h i opłać sms-em

34,50

cena zawiera podatek VAT

ZAPŁAĆ SMS-EM

TA KSIĄŻKA JEST W ABONAMENCIE

Już od 19,90 zł miesięcznie za 5 ebooków!

WYBIERZ SWÓJ ABONAMENT

Publikacja Wydawnictwa WNT, dodruk Wydawnictwo Naukowe PWN
Książka przeznaczona jest dla studentów i doktorantów zainteresowanych technikami odkrywania wiedzy z danych oraz modelowania komputerowego, a także dla praktyków - informatyków opracowujących programy do analizy dużych zbiorów danych.


Liczba stron396
WydawcaWydawnictwo Naukowe PWN
ISBN-13978-83-01-19178-8
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyRavelo Sp. z o.o.

Ciekawe propozycje

Spis treści

  Lista ważniejszych oznaczeń    5
  Przedmowa    7
  1. Analiza skupień    19
  1.1. Formalizacja problemu    20
  1.2. Miary podobieństwa/odmienności    23
    1.2.1. Porównywanie obiektów o cechach ilościowych    24
      1.2.1.1. Odległość Minkowskiego    25
      1.2.1.2. Odległość Mahalanobisa    28
      1.2.1.3. Dywergencja Bregmana    28
      1.2.1.4. Odległość kosinusowa    30
      1.2.1.5. Odległość potęgowa    30
    1.2.2. Porównywanie obiektów o cechach jakościowych    31
  1.3. Hierarchiczne metody analizy skupień    34
  1.4. Metody kombinatoryczne    38
    1.4.1. Kryteria grupowania oparte na odmienności    39
    1.4.2. Zadanie analizy skupień w przestrzeni euklidesowej    41
      1.4.2.1. Minimalizacja śladu macierzy kowariancji wewnątrzgrupowych    42
      1.4.2.2. Aproksymacja macierzy danych    47
      1.4.2.3. Iteracyjny algorytm znajdowania skupień    48
    1.4.3. Grupowanie według objętości skupień    51
    1.4.4. Uogólnienia zadania grupowania    52
  1.5. Inne metody analizy skupień    53
    1.5.1. Metody relacyjne    54
    1.5.2. Metody grafowe i spektralne    54
    1.5.3. Metody gęstościowe    55
    1.5.4. Metody funkcji potencjalnych (jądrowych)    60
    1.5.5. Rodziny grupowań    67
  1.6. Grupowanie jako zadanie optymalizacji submodularnej    73
    1.6.1. Podział na dwie grupy    74
      1.6.1.1. Metoda pojedynczego wiązania    75
      1.6.1.2. Grupowanie z użyciem informacji wzajemnej    77
    1.6.2. Przypadek większej liczby grup    78
    1.6.3. Wyznacznikowe procesy punktowe (DPP)    79
      1.6.3.1. Podstawowe pojęcia    80
      1.6.3.2. Grupowanie na podstawie DPP    82
  1.7. Czy i kiedy grupowanie jest trudne?    84
  2. Algorytmy kombinatorycznej analizy skupień    88
  2.1. Algorytm k-średnich    88
    2.1.1. Klasyczny (wsadowy) wariant algorytmu k-średnich    92
    2.1.2. Iteracyjny wariant algorytmu k-średnich    92
    2.1.3. Metody inicjowania algorytmu k-średnich    94
      2.1.3.1. Algorytm k-średnich++    97
      2.1.3.2. Algorytm k-średnich D++    99
    2.1.4. Usprawnienia algorytmu k-średnich    99
    2.1.5. Warianty algorytmu k-średnich    101
      2.1.5.1. Wariant on line algorytmu k-średnich    101
      2.1.5.2. Bisekcyjny wariant algorytmu k-średnich    103
      2.1.5.3. Sferyczny algorytm k-średnich    104
      2.1.5.4. KHM: algorytm k-średnich harmonicznych    107
      2.1.5.5. Jądrowy algorytm k-średnich    109
      2.1.5.6. Algorytm k-medoid    112
      2.1.5.7. Algorytm k-mod    115
  2.2. Algorytm EM    119
  2.3. FCM: algorytm k-średnich rozmytych    123
    2.3.1. Podstawowe sformułowanie    123
    2.3.2. Podstawowy algorytm FCM    127
    2.3.3. Miary jakości rozmytego podziału    132
    2.3.4. Sformułowanie alternatywne    136
    2.3.5. Modyfikacje algorytmu FCM    137
      2.3.5.1. Algorytm FCM z metryką Minkowskiego    139
      2.3.5.2. Algorytm Gustafsona–Kessela (GK)    141
      2.3.5.3. Algorytm FCV: Fuzzy c-varietes    143
      2.3.5.4. Algorytm FCS: Fuzzy c-shells    145
      2.3.5.5. SFCM: Sferyczny algorytm FCM    146
      2.3.5.6. Jądrowe warianty algorytmu FCM    147
      Algorytm KFCM-X    147
      Algorytm KFCM-F    149
      2.3.5.7. PCM: possibilistyczny algorytm grupowania    151
      2.3.5.8. Relacyjny wariant algorytmu FCM    155
  2.4. Grupowanie na podstawie funkcji alokacji prawdopodobieństwa    157
    2.4.1. Podziały fiducjarne    159
    2.4.2. Od podziałów fiducjarnych do ostrych    161
  2.5. Propagacja powinowactwa    163
  3. Ocena jakości skupień i stosowalności algorytmów    166
  3.1. Przygotowanie danych    166
  3.2. Wybór liczby skupień    168
    3.2.1. Proste heurystyki    169
    3.2.2. Metody wykorzystujące kryteria informacyjne    170
    3.2.3. Klastergramy    171
  3.3. Miary jakości podziału    171
  3.4. Porównywanie podziałów    175
    3.4.1. Proste metody porównywania podziałów    176
    3.4.2. Metody pomiaru części wspólnych podziałów    177
    3.4.3. Metody wykorzystujące wzajemną informację    179
  3.5. Miary jakości pokrycia    181
  3.6. Analiza dużych zbiorów danych    182
    3.6.1. Proste usprawnienia    182
      3.6.1.1. FFCM: szybki algorytm FCM    183
    PFCM: równoległy algorytm FCM    184
    WFCM: ważony algorytm FCM    184
    mrFCM: algorytm FCM z wieloetapowym próbkowaniem    185
  4. Metody spektralne w analizie i redukcji danych    187
  4.1. Notacja    192
  4.2. Spektralna analiza danych    196
    4.2.1. Optymalizacja spektralna    196
      4.2.1.1. Przypadek dwóch klas    196
      4.2.1.2. Dalsze zastosowania wektora Fiedlera    202
      4.2.1.3. Przypadek wielu klas    204
    4.2.2. Alternatywne funkcje kryterialne    207
    4.2.3. Zadanie rozcinania grafu jako uogólniony problem własny    210
    4.2.4. Metody rozwiązywania uogólnionego problemu własnego    215
    4.2.5. Spektralne algorytmy grupowania danych    220
      4.2.5.1. Algorytm normalizowanych cięć Shi i Malika (SM)    223
      4.2.5.2. Algorytm normalizowanych cięć Vermy i Meili (VM)    224
      4.2.5.3. Spektralne odwzorowanie Ng, Jordana i Weissa (NJW)    225
      4.2.5.4. Algorytm DaSpec    229
    4.2.6. Maksymalizacja spójności grup    232
    4.2.7. Przykłady    234
    4.2.8. Dostrajanie algorytmu    238
      4.2.8.1. Wybór parametru ω    238
      4.2.8.2. Wzmacnianie struktury blokowej    240
  4.3. Błądzenie losowe w grafach    242
    4.3.1. Błądzenie losowe w grafach nieskierowanych    243
      4.3.1.1. Proste interpretacje    243
      4.3.1.2. Grupowanie węzłów według ich potencjału    247
      4.3.1.3. Odległość rezystancyjna    250
      4.3.1.4. Grupowanie węzłów według czasu pochłonięcia    251
    4.3.2. Zastosowanie idei błądzenia po grafie: algorytm MCL    254
      4.3.2.1. Podstawowa wersja algorytmu    254
      4.3.2.2. Problemy z algorytmem    256
  4.4. Metody lokalne    258
    4.4.1. Algorytm Nibble    260
    4.4.2. Algorytm PageRank-Nibble    263
  4.5. Uczenie częściowo nadzorowane    267
  4.6. Usprawnienia i inne metody    271
    4.6.1. Grupowanie z wykorzystaniem p-laplasjanu    271
    4.6.2. Grupowanie stochastyczne    273
    4.6.3. Zastosowanie algorytmu SVD    278
    4.6.4. Algorytm PIC    279
    4.6.5. Algorytm PRC    281
  4.7. Metody redukcji wymiarowości    282
  5. Zbiory danych    286
  Dodatek A. Uzasadnienie algorytmu FCM    288
  Dodatek B. Rachunek macierzowy    290
  B.1. Wektory i ich własności    290
  B.2. Macierze i ich własności    291
  B.3. Wartości i wektory własne    294
    B.3.1. Podstawowe fakty    294
    B.3.2. Lewo- i prawostronne wektory własne    299
    B.3.3. Wyznaczanie wartości i wektorów własnych    301
      B.3.3.1. Metoda potęgowa    301
      B.3.3.2. Wyznaczanie par własnych laplasjanu    303
  B.4. Normy wektorów i macierzy    305
  Dodatek C. Teoria grafów    307
  C.1. Podstawowe definicje    307
    C.1.1. Grafy nieskierowane    308
    C.1.2. Grafy skierowane    309
  C.2. Macierze grafów    310
    C.2.1. Macierz sąsiedztwa/podobieństwa    310
    C.2.2. Laplasjan    312
      C.2.2.1. Laplasjan grafu nieskierowanego    312
      C.2.2.2. Pseudoodwrotność laplasjanu    315
      C.2.2.3. Laplasjan grafu skierowanego    316
  Dodatek D. Błądzenie losowe w grafie    318
  D.1. Błądzenie losowe w grafach nieskierowanych    318
    D.1.1. Podstawowe fakty    318
    D.1.2. Charakterystyki błądzenia losowego    322
      D.1.2.1. Średni czas dostępu    322
      D.1.2.2. Czas komutacji    323
      D.1.2.3. Czas pokrycia    324
      D.1.2.4. Czas mieszania    324
  D.2. Błądzenie losowe w grafach skierowanych    324
  Dodatek E. Personalizowany wektor PageRank    326
  E.1. Podstawowe określenia i zależności    326
  E.2. Przybliżony algorytm wyznaczania personalizowanego wektora PageRank    330
  Dodatek F. Entropia    334
  F.1. Podstawowe definicje    334
  F.2. Entropia gaussowskiego wektora losowego    336
  Dodatek G. Teoria Dempstera–Shafera    338
  G.1. Funkcje charakteryzujące sądy    338
  G.2. Reguła Dempstera    341
  G.3. Sprowadzanie przekonań do prawdopodobieństw    342
  Dodatek H. Optymalizacja    344
  H.1. Submodularne funkcje zbioru    344
  H.2. Uczenie funkcji submodularnych    347
  H.3. Optymalizacja submodularnych funkcji zbioru    348
    H.3.1. Minimalizacja funkcji submodularnych    348
      H.3.1.1. Podstawowe narzędzia    351
      Drzewo maksymalnych przepływów    351
      Dobre pary    354
      H.3.1.2. Algorytm Queyranne’a    356
    H.3.2. Maksymalizacja submodularnych funkcji    359
  Bibliografia    361
  Wykaz algorytmów    389
  Skorowidz    391
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia