Анализ данных
| Main Author: | |
|---|---|
| Other Authors: | |
| Summary: | Учебное пособие разработано для дисциплины «Анализ данных» в соответствии с требованиями ФГОС ВПО по направлению подготовки 010400.62 «Прикладная математика и информатика». Посвящено изучению различных задач и методов анализа данных. Основную часть пособия составляют методы распознавания образов. Подробно рассматриваются методы построения решающих функций и, на их основе, детерминистские методы, а также методы классификации с помощью функций расстояния и статистические методы классификации. В последней главе изложены идеи и методы сокращения размерности признакового пространства, необходимые для сжатия, предварительного анализа, визуализации исходных данных, а также для удаления неинформативных признаков. Предназначено для студентов вузов, обучающихся по направлению подготовки «Прикладная математика и информатика». Книга из коллекции КемГУ - Математика |
| Published: |
Кемерово, КемГУ, 2014
|
| Subjects: | |
| Online Access: | http://e.lanbook.com/books/element.php?pl1_id=61396 https://e.lanbook.com/img/cover/book/61396.jpg |
| Format: | Electronic Book |
MARC
| LEADER | 00000nam0a2200000 i 4500 | ||
|---|---|---|---|
| 001 | 61396 | ||
| 010 | |a 978-5-8353-1770-7 | ||
| 100 | |a 20250516d2014 k y0rusy01020304ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 105 | |a y j 000zy | ||
| 106 | |a z | ||
| 200 | 1 | |a Анализ данных |b Электронный ресурс |f Крутиков В. И.,Мешечкин В. В. | |
| 210 | |a Кемерово |b Кемерово |c КемГУ |d 2014 | ||
| 215 | |a 138 с. | ||
| 330 | |a Учебное пособие разработано для дисциплины «Анализ данных» в соответствии с требованиями ФГОС ВПО по направлению подготовки 010400.62 «Прикладная математика и информатика». Посвящено изучению различных задач и методов анализа данных. Основную часть пособия составляют методы распознавания образов. Подробно рассматриваются методы построения решающих функций и, на их основе, детерминистские методы, а также методы классификации с помощью функций расстояния и статистические методы классификации. В последней главе изложены идеи и методы сокращения размерности признакового пространства, необходимые для сжатия, предварительного анализа, визуализации исходных данных, а также для удаления неинформативных признаков. Предназначено для студентов вузов, обучающихся по направлению подготовки «Прикладная математика и информатика». | ||
| 333 | |a Книга из коллекции КемГУ - Математика | ||
| 610 | 0 | |a математические модели | |
| 610 | 0 | |a оценивание их параметров | |
| 610 | 0 | |a постановка задачи оценивания параметров математических моделей | |
| 610 | 0 | |a основные типы зависимостей | |
| 610 | 0 | |a количественные переменные | |
| 610 | 0 | |a понятие оценки | |
| 610 | 0 | |a требования к оценкам | |
| 610 | 0 | |a наилучшие линейные оценки | |
| 610 | 0 | |a оценка дисперсии | |
| 610 | 0 | |a способы представления систем уравнений метода наименьших квадратов (мнк) | |
| 610 | 0 | |a решение систем уравнений мнк | |
| 610 | 0 | |a поиск оценок при нелинейной параметризации | |
| 610 | 0 | |a нелинейная задача о наименьших квадратах (нзнк) | |
| 610 | 0 | |a методы решения нзнк | |
| 610 | 0 | |a итерационные методы теории обучения | |
| 610 | 0 | |a оценивания параметров математических моделей | |
| 610 | 0 | |a основные понятия теории обучения | |
| 610 | 0 | |a одношаговый алгоритм обучения (алгоритм качмажа) | |
| 610 | 0 | |a одношаговый алгоритм обучения в заданной метрике | |
| 610 | 0 | |a итерационный метод наименьших квадратов (имнк) | |
| 610 | 0 | |a итерационный метод наименьших квадратов с регуляризацией | |
| 610 | 0 | |a итерационный метод наименьших квадратов с регуляризацией и взвешиванием | |
| 610 | 0 | |a одношаговый алгоритм обучения в метрике имнк | |
| 610 | 0 | |a методы выбора наилучшей модели | |
| 610 | 0 | |a сокращение размерности признакового пространства | |
| 610 | 0 | |a постановка задачи выбора наилучшей модели | |
| 610 | 0 | |a типы оценок | |
| 610 | 0 | |a критерии качества модели (ккм) | |
| 610 | 0 | |a общий алгоритм поиска математической модели | |
| 610 | 0 | |a задачи выбора информативной системы признаков | |
| 610 | 0 | |a алгоритм случайного поиска с адаптацией (спа) | |
| 610 | 0 | |a основные положения теории нейронных сетей | |
| 610 | 0 | |a биологический нейрон | |
| 610 | 0 | |a структура и свойства искусственного нейрона | |
| 610 | 0 | |a классификация нейронных сетей | |
| 610 | 0 | |a свойства нейронных сетей | |
| 610 | 0 | |a обучение нейронных сетей | |
| 610 | 0 | |a алгоритм обратного распространения | |
| 610 | 0 | |a переобучение | |
| 610 | 0 | |a обобщение | |
| 610 | 0 | |a обучение без учителя | |
| 610 | 0 | |a персептроны | |
| 610 | 0 | |a сеть с радиальными базисными элементами (rbf) | |
| 610 | 0 | |a вероятностная нейронная сеть (pnn) | |
| 610 | 0 | |a обобщеннорегрессионная нейронная сеть (grnn) | |
| 610 | 0 | |a определение рациональной структуры нейронных сетей | |
| 610 | 0 | |a метод негладкой регуляризации | |
| 610 | 0 | |a алгоритм построения нейронной сети с минимальным числом нейронов | |
| 610 | 0 | |a основные определения теории распознавания | |
| 610 | 0 | |a основные понятия прикладной статистики | |
| 610 | 0 | |a формы записи исходных статистических данных (исд) | |
| 610 | 0 | |a три центральные проблемы прикладной статистики | |
| 610 | 0 | |a теория распознавания | |
| 610 | 0 | |a типологизация задач распознавания | |
| 610 | 0 | |a решающие (дискриминантные) функции | |
| 610 | 0 | |a методы их построения | |
| 610 | 0 | |a решающие функции (рф) | |
| 610 | 0 | |a линейные по параметрам рф | |
| 610 | 0 | |a получение линейных по параметрам рф | |
| 610 | 0 | |a сведение задачи распознавания к задаче минимизации | |
| 610 | 0 | |a алгоритмы оценивания параметров рф | |
| 610 | 0 | |a алгоритмы построения рф на основе сведения системы неравенств к системе равенств | |
| 610 | 0 | |a потенциальные функции | |
| 610 | 0 | |a методы построения потенциальных функций | |
| 610 | 0 | |a классификация с помощью функций расстояния | |
| 610 | 0 | |a основные определения | |
| 610 | 0 | |a классификаторы по критерию минимума расстояния | |
| 610 | 0 | |a меры сходства | |
| 610 | 0 | |a критерии кластеризации | |
| 610 | 0 | |a алгоритм максиминного расстояния | |
| 610 | 0 | |a алгоритм квнутригрупповых средних (метод kсредних) | |
| 610 | 0 | |a алгоритм квнутригрупповых средних c адаптивной метрикой | |
| 610 | 0 | |a статистические методы распознавания | |
| 610 | 0 | |a классификация объектов | |
| 610 | 0 | |a теория статистических решений | |
| 610 | 0 | |a классификация с минимальным уровнем ошибки | |
| 610 | 0 | |a разделяющие функции для случая нормальной плотности | |
| 610 | 0 | |a оценка параметров | |
| 610 | 0 | |a обучение с учителем | |
| 610 | 0 | |a алгоритмы обучения классификаторов | |
| 610 | 0 | |a аппроксимация плотностей распределения | |
| 610 | 0 | |a аппроксимация апостериорных вероятностей | |
| 610 | 0 | |a методы снижения размерности | |
| 610 | 0 | |a сущность проблемы снижения размерности | |
| 610 | 0 | |a метод главных компонент (мгк) | |
| 610 | 0 | |a многомерное шкалирование | |
| 610 | 0 | |a задачи и методы выбора информативной системы признаков | |
| 610 | 0 | |a экспертностатистический метод построения единого сводного показателя | |
| 610 | 0 | |a вопросы и задания для самостоятельной работы | |
| 610 | 0 | |a вопросы к зачету или экзамену | |
| 675 | |a 519.2 | ||
| 686 | |a В172я73 |2 rubbk | ||
| 700 | 1 | |a Крутиков |b В. И. | |
| 701 | 1 | |a Мешечкин |b В. В. | |
| 801 | 1 | |a RU |b Издательство Лань |c 20250516 |g RCR | |
| 856 | 4 | |u http://e.lanbook.com/books/element.php?pl1_id=61396 | |
| 856 | 4 | 1 | |u https://e.lanbook.com/img/cover/book/61396.jpg |
| 953 | |a https://e.lanbook.com/img/cover/book/61396.jpg | ||