|
Wstęp do data mining: filozofia data mining, the Cross-Industry Standard Process for Data Mining, metodologia SEMMA,
dane w procesach data mining.
Podział zbioru danych: zbiór uczący, zbiór walidacyjny i zbiór testowy.
Wstępne przetwarzanie danych: metody redukcji wymiarowości i selekcji zmiennych, przekształcanie zmiennych,
analiza składowych głównych.
Wstępne przetwarzanie danych: metody uzupełniania niepełnych danych i metody selekcji rekordów.
Modelowanie predykcyjne - drzewa decyzyjne i lasy losowe: proces budowy drzew, reguły podziału drzew,
przycinanie drzew, zalety i wady drzew, lasy losowe.
Drzewa decyzyjne - implementacja algorytmów: budowa drzewa, ocena jakości konstruowanych drzew, wybór modelu; lasy losowe.
Sieci neuronowe typu wielowarstwowy perceptron: podstawowy model neuronu i sieci neuronowej,
działanie sieci neuronowej i jej uczenie, zalety i wady sieci neuronowych.
Sieci neuronowe - implementacja algorytmów sztucznych sieci neuronowych: budowa modelu, dobór architektury sieci,
uczenie sieci neuronowych, ograniczenia metod uczenia gradientowego sieci.
Analiza modeli klasyfikacyjnych: oszacowanie dokładności modelu, metody dedykowane dla pojedynczej klasy i wielu klas,
ocena istotności uzyskanych wyników, metody graficzne oceny dokładności modeli.
Naiwna estymacja bayesowska i sieci bayesowskie: klasyfikacja maksymalnego a posteriori; naiwny klasyfikator bayesowski.
Rozpoznawanie wzorców: sieci samoorganizujące, analiza skupień w data mining, modelowanie danych transakcyjnych, analiza asocjacji i sekwencji
Rozpoznawanie wzorców - przykłady zastosowań.
Realizacja przykładowych analiz z zastosowaniem praktycznym.
|
