Глибинний аналіз даних

Машинне навчання та глибинний аналіз даних
Задачі класифікація кластерування 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 доречно-векторна машина k-НС лінійна регресія логістична регресія наївне баєсове опорно-векторна машина нейронні мережі перцептрон
Кластерування 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 самоорганізаційне відображення
Навчання з підкріпленням Q-навчання SARSA Метод часових різниць
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 ML JMLR ArXiv:cs.LG

Отримання да́них (англ. Data Mining) — виявлення прихованих закономірностей або взаємозв'язків між змінними у великих масивах необроблених даних. Зазвичай поділяють 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, можливо виявити зміни у поведінці клієнтів або груп клієнтів для покращення політики підприємства.

Методи розв'язання

Нейронні мережі

Штучні нейронні мережі названі на основі схожості їхньої будови із нейронними зв'язками мозку людини. Дозволяють реалізовувати задачі кластиризації, класифікації, прогнозування. Після створення основ теорії нейронних мереж, вони зазнали значної критики і вважалося, що вони малопридатні для сфери штучного інтелекту. Проте відновленню інтересу до штучних нейронних мереж сприяв розвиток комп'ютерів та успіх в теоретичних та прикладних дослідженнях.

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.

Регресійний аналіз

Регресійний аналіз займається методами аналізу залежності однієї величини від іншої. На відміну від кореляційного аналізу, не з'ясовує, чи істотний зв'язок, а займається пошуком моделі цього зв'язку, вираженої у функції регресії.

Застосування

• Обробка природної мови
• Реферування

Див. також

• Image Mining
• Opinion Mining
• Text Mining

Посилання

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