Добування даних

Машинне навчання та добування даних
Задачі класифікація кластеризація регресія виявлення аномалій асоціативні правила навчання з підкріпленням структурне передбачення проектування ознак навчання ознак інтерактивне навчання напівавтоматичне навчання спонтанне навчання навчання ранжуванню виведення граматик
Кероване навчання (класифікація • регресія) ансамблі (бутстрепова агрегація, випадковий ліс, підсилювання) дерева рішень k-НС лінійна регресія логістична регресія метод доречних векторів метод опорних векторів наївне баєсове нейронні мережі перцептрон
Кластеризація BIRCH ієрархічна k-середніх очікування-максимізація DBSCAN OPTICS зсув середнього
Зниження розмірності факторний аналіз метод незалежних компонент канонічна кореляція лінійний розділювальний аналіз метод головних компонент розклад невід'ємних матриць t-розподілене вкладення стохастичної близькості
Структурне передбачення графічні моделі (баєсова мережа, прихована марковська модель, умовне випадкове поле)
Виявлення аномалій k-НС коефіцієнт локального відхилення
Нейронні мережі автокодувальник багатошаровий перцептрон глибинне навчання згорткова нейронна мережа обмежена машина Больцмана рекурентна нейронна мережа самоорганізаційна карта
Теорія дилема зсуву та дисперсії ймовірно майже правильне навчання мінімізація емпіричного ризику оккамове навчання статистичне навчання теорія Вапника — Червоненкіса теорія обчислювального навчання
Місця машинного навчання NIPS ICML JMLR ArXiv:cs.LG

Отримання да́них (англ. Data Mining) — виявлення прихованих закономірностей або взаємозв'язків між змінними у великих масивах необроблених даних. Як правило поділяється на задачі класифікації, моделювання та прогнозування.

На сучасних підприємствах, в дослідницьких проектах або в інтернеті утворюються великі обсяги даних. Добування даних дає можливість автоматичного аналізу цих даних шляхом застосування методів математичної статистики, штучних нейронних мереж, теорії нечітких множин або генетичних алгоритмів. Метою аналізу є виявлення правил та закономірностей, наприклад, статистичних подій. Так, наприклад, можуть виявлятись зміни у поведінці клієнтів або груп клієнтів для покращення політики підприємства.

Методи розв'язання

Нейронні мережі

Алгоритми класифікації із застостуванням нейронних мереж є важливим інструментом для добування даних. Абстраговані міжнейронні зв'язки в мозку людини реалізують у вигляді програм. Відновленню інтересу до штучних нейронних мереж сприяв успіх в теоретичних дослідженнях та практичних застосуваннях.

Дерева рішень

Метод для розв'язання задачі класифікації. Результатом застосування цього методу до навчального матеріалу є ієрархічна структура правил типу «якщо … тоді … інакше …». Ця структура має вигляд дерева. Для визначення приналежності об'єкта до одного з класів слід надавати відповіді на запитання, що знаходяться у вершинах цього дерева. Розпочавши з кореня дерева, алгоритм завершується після досягнення тупикової вершини (листа), ця вершина і визначатиме клас, до якого належить об'єкт.

Застосування

• Обробка природної мови
• Реферування

Див. також

• Image Mining
• Opinion Mining
• Text Mining

Посилання

• Методи отримання даних(рос.)
• Data Mining — отримання даних(рос.)
• Визначення Data Mining