Содержание
Содержание
Аннотация 5
Введение 7
Основные задачи Data meaning 8
Задачи классификации и прогнозирования 10
Классификация и прогнозирование с помощью деревьев решений. 13
Метод опорных векторов. 17
Метод ближайшего соседа 19
Байесовская классификация 21
Методы классификации и прогнозирования (нейронные сети). 23
Основы теории нейронных сетей 23
Заключение. 28
Список литературы 30
Выдержка из текста
Введение
В данной работе рассматриваются методы классификации и прогнозирования Data minining. Последнее понятие до сих пор не имеет общепринятого перевода на русский язык, одно из самых распространенных названий, интеллектуальный анализ данных. Под технологиями Data Mining понимается такая структура баз данных и такие методы их анализа, которые позволяют выявлять новые закономерности, зависимости, для которых априори не было предпосылок. Постановка задачи такова, что в большой базе данных могут иметься некие «новые знания», которые можно получить на основании методов Data minning.
В данной работе мы рассмотрим:
• основные задачи, которые решаются Data mining
• описание методов классификации и прогнозирования
Задачи, которые решаются Data meaning, находят самые разнообразные сферы применения.
Во-первых это бизнес-задачи. Сюда относится прогнозирование на фондовых рынках и электронная коммерция, управление предприятием, управление системой взаимодействия с клиентами и т.д.
Во-вторых это научные задачи. Интеллектуальный анализ данных незаменим в биологиии, медицине, астрономии, информатики, кибернетике, физике.
В-третьих, это задачи анализа Web-данных. Сюда относятся задачи поисковых систем, технологии поиска по изображению, голосу, систем безопасности в сети.
Список использованной литературы
Список литературы
1. Л. В. Щавелёв Способы аналитической обработки данных для поддержки принятия решений. — СУБД. 1998. № 4-5
2. Владимир Вьюгин. Математические основы машинного обучения и прогнозирования. — МЦМНО, 2014
3. Венкатеш Ганти, Йоханнес Герке, Раджу Рамакришнан. Добыча данных в сверхбольших базах данных. — Открытые системы, 1999, №9-10
4. НОУ ИНТУИТ | Data Mining | Информация. [Электронный ресурс]. URL: http://www.intuit.ru/studies/courses/6/6/info (дата обращения: 03.01.2017).
5. Christopher M. Bishop. Pattern recognition and machine learning, 2006.
6. Осовский С. Нейронные сети для обработки информации.
7. А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Нейроинформатика. — Новосибирск: Наука. Сибирское предприятие РАН, 1998.
8. Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) / Под общ. ред. В.Б. Новосельцева. – Томск: Изд-во НТЛ, 2006.
9. Стратонович, Ю.Р. Базы и хранилища данных информационных систем: учебное пособие / Ю. Р. Стратонович ; Министерство сельского хозяйства Российской Федерации, Российский гос. аграрный ун-т — МСХА им. К. А. Тимирязева (Москва). — Москва : РГАУ-МСХА им. К. А. Тимирязева, 2013.
10. Дюк В.А., Самойленко А.П. Data Mining: учебный курс.-СПб.: Питер, 2001
11. Эделстейн Г. Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах.-ComputerWeek-Москва. 1996. № 16. С. 32-33
12. Chickering D, Geiger D., Heckerman D. Learning Bayesian networks: The combination of knowledge and statistical data Machine Learning. 1995.
13. Ian H. Witten, Eibe Frank and Mark A. Hall. Data Mining: Practical Machine Learning Tools and Techniques. — 3rd Edition. — Morgan Kaufmann, 2011.