Статистические системы обучения

• Автор: Яцек Коронацкий, Чвик Ян
• Поставщик: Azymut
• количество страниц : 328
• формат: 16,0x24,0 см
• номер выпуска: 2
• язык публикации: польский
• дата выпуска: 20.10.2021
• тип переплета: мягкая обложка
• год издания: 2021

Издатель: Выйти

EAN: 9788360434567

Системы обучения – это алгоритмические методы обучения на основе данных. Невероятный рост вычислительной мощности компьютеров и объема их памяти создал возможность как собирать огромные объемы информации, так и обрабатывать ее. Сегодня системы обучения составляют основу так называемого интеллектуальный анализ данных, или интеллектуальный анализ данных, или, если использовать широко используемый английский термин, анализ, называемый интеллектуальным анализом данных.

СОДЕРЖАНИЕ Предисловие к первому изданию Предисловие ко второму изданию 1. Методы линейной классификации. 1.1. Классификация под наблюдением – введение 1.2. Линейная дискриминация Фишера 1.3. Дискриминация на основе линейной и логистической регрессии 1.4. Перцептрон Розенблатта

<р>2. Методы классификации на основе вероятностных распределений 2.1. Байесовский классификатор и метод максимального правдоподобия 2.2. Оптимальность байесовского правила 2.3. Практичный дизайн классификаторов

<р>3. Методы классификации, основанные на непараметрическом оценивании 3.1. Введение 3.2. Непараметрическая оценка распределений классов 3.3. Метод ближайших соседей

<р>4. Деревья классификации и семейства классификаторов 4.1. Введение 4.2. Правила дивизиона 4.3. Правила обрезки деревьев 4.4. Деревья классификации – примечания 4.5. Семейства классификаторов — алгоритмы упаковки и повышения 4.6. Семейства классификаторов — случайные леса

<р>5. Регрессионный анализ 5.1. Глобальные параметрические модели 5.2. Непараметрическая регрессия 5.3. Случайные эффекты и линейные смешанные модели 5.4. Заключительные замечания

<р>6. Обобщения линейных методов 6.1. Гибкая дискриминация 6.2. Машины опорных векторов

<р>7. Системы контролируемого обучения – резюме, дополнительные комментарии 7.1. Краткое содержание 7.2. Дополнительные примечания

<р>8. Методы проецирования, обнаружение скрытых переменных 8.1. Системы обучения без учителя – введение 8.2. Анализ основных компонентов 8.3. Оценка плотности по интересующим проекциям 8.4. Факторный анализ и анализ независимых компонентов 8.5. Сходство, несходство и расстояние между объектами. 8.6. Многомерное масштабирование 8.7. Методы ядра в системах машинного обучения

<р>9. Кластерный анализ 9.1. Комбинаторные методы 9.2. Иерархические методы – дендрограммы 9.3. Другие классические методы 9.4. Три неклассических подхода к кластерному анализу

Цитируемые книги Индекс