Samoucz - Helion

ebook

Autor: Kamila Migda
ISBN: 978-83-7865-111-6
stron: 414, Format: ebook
Data wydania: 2022-05-05
Księgarnia: Helion

Cena książki: 39,10 zł (poprzednio: 45,47 zł)
Oszczędzasz: 14% (-6,37 zł)

Osoby, które kupiły tę książkę, wybierały także »

Tagi: Matematyka | Matematyka Europejczyka

Prezentowana ksi

Osoby które kupowały "Samoucz", wybierały także:

Ryszard Kilvington. Nieskończoność i geometria 19,52 zł, (8,98 zł -54%)
Matematyka w deep learningu. Co musisz wiedzie 89,00 zł, (44,50 zł -50%)
Matematyka w programowaniu gier i grafice komputerowej. Tworzenie i renderowanie wirtualnych 89,00 zł, (44,50 zł -50%)
Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie 69,00 zł, (34,50 zł -50%)
Domowe lekcje matematyki. Klasy 4-6 39,90 zł, (19,95 zł -50%)

Spis treści

Samouczące się sztuczne sieci neuronowe w grupowaniu i klasyfikacji danych. Teoria i zastosowania w ekonomii eBook -- 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