Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości

  • Dodaj recenzję:
  • Kod: 4857
  • Producent: WNT
  • Autor: Mirosław Krzyśko, Tomasz Górecki, Michał Skorzybut

  • szt.
  • Cena netto: 44,67 zł 46,90 zł

Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości

rok wydania: 2009, wydanie pierwsze
ISBN: 978-83-204-3459-0
ilość stron: 400
format: 16,5X23,7 cm
oprawa: miękka

Opis

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.

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