000 11522 a2200277 4500
999 _c443255
_d443255
003 UA-OsUOA
005 20191220155650.0
008 191220b un ||||| |||| 00| 0 ukr d
040 _aUA-OsUOA
_bukr
_cUA-OsUOA
_dUA-OsUOA
041 _aukr
080 _a004.8(075.8)
090 _a004.8(075.8)
_bЛ64
100 _aЛитвин В. В.
245 _aАналіз даних та знань
_bнавч. посіб.
_cВ. В. Литвин, В. В. Пасічник, Ю. В. Нікольський
260 _bМагнолія 2006
_c2017
_aЛьвів
300 _a276 с.
440 _aКомп'ютинг
505 _aЗМІСТ Передмова наукового редактора......7 РОЗДІЛ 1. Інформація. Дані. Знання.....10 1. Поняття про інформацію......10 2. Інформаційні сигнали матеріального світу.......13 3. Знакове середовище існування інформації......13 4. Поняття про знакові системи............15 5. Форми знакового подання інформації....16 6. Інформація як результат взаємодії даних і методів.......17 7. Властивості взаємозв'язку інформації, даних і методів....19 8. Синтаксичні міри інформації.........20 9. Семантичні міри інформації....23 10. Прагматичні міри інформації......23 Контрольні запитання.........24 Розділ 2. Факторний аналіз.....25 2.1. Концепція факторного аналізу.......25 2.2. Основи факторного аналізу......26 2.3. Основні алгоритми та методи.....27 2.4. Методи виділення первинних факторів.....28 2.5. Головні компоненти, власні значення та вектори.......29 2.6. Методи факторного аналізу.......33 2.6.1. Метод найменших квадратів......34 2.6.2. Метод максимальної правдоподібності....35 2.6.3. Альфа-факторний аналіз......37 2.6.4. Аналіз образів.......38 2.7. Методи обертання.....40 2.7.1. Геометричний метод обертання......40 2.7.2. Метод ортогонального обертання......43 2.7.3. Методи косокутного обертання.....45 2.7.4. Обертання з використанням цільової матриці.....47 Контрольні запитання.....48 РОЗДІЛ 3. Дискримінантний аналіз....49 3.1. Суть дискримінантного аналізу......49 3.2. Канонічні дискримінантні функції......52 3.2.1. Геометрична інтерпретація......53 3.2.2. Кількість канонічних дискримінантних функцій.....53 3.2.3. Одержання коефіцієнтів канонічної дискримінантної функції......54 3.2.4. Коефіцієнти.....56 3.2.5. Нестандартизовані коефіціїнти....57 3.3. Процедура класифікації.......57 3.3.1. Класифікаційні функції.......58 3.3.2. Врахування апріорних ймовірностей.......60 3.3.3. Класифікація за допомогою канонічних дискримінантних функцій......61 3.3.4. Графічне зображення областей .......62 3.3.5. Класифікаційна матриця......62 3.3.6. Обгрунтування за допомогою розбиття вибірки....64 Контрольні запитання.....65 РОЗДІЛ 4. Кластерний аналіз....65 4.1. Сутність кластерного аналізу.......65 4.1.1. Застереження стосовно використання кластерного аналізу....67 4.1.2. Поняття подібності......67 4.1.3. Вибір змінних......70 4.2. Міри подібності.....70 4.2.1. Коефіцієнти кореляції.....70 4.2.2. Міри відстані....71 4.2.3. Коефіцієнти асоціативності....72 4.2.4. Імовірнісні коефіцієнти подібності....73 4.3. Методи кластерного аналізу.....74 4.3.1. Ієрархічні методи групування....78 4.3.2. Інтеративні методи групування.....81 4.3.3. Інші методи .....81 Контрольні запитання....83 Розділ 5. Інтелектуальний аналіз даних....84 5.1. Що таке інтелектуальний аналіз даних......84 5.2. Типи закономірностей.....88 5.2.1. Класи систем Data Mining......89 5.2.2. Предметно-орієнтовані аналітичні системи......89 Контрольні запитання....93 РОЗДІЛ 6. Машинне навчання.....96 6.1. Інтуїтивне розуміння навчання.......96 6.2. Означення навчання.......97 6.3. Програми, що навчаються.....98 6.4. Мотивація до навчання.....101 6.5. Таксономія машинного навчання.....102 6.6. Споріднені галузі.....104 6.7. Навчання як розділ штучного інтелекту.....106 6.8. Загальне формулювання задачі навчання за прецендентами.....107 6.9. Основні поняття та означення....107 6.10 Типологія задач навчання за прецендентами.....108 6.11. Задачі з описом об'єктів на основі ознак....111 6.12. Приклади задач машинного навчання....111 6.12.1. Задачі класифікації.....111 6.12.2. Задача відновлення регресії.....116 6.12.3. Задачі прогнозування та прийняття рішень......117 6.12.5. Задачі аналізу клієнтських середовищ........120 6.13. Навчання понять в штучному інтелекті....121 6.13.1. Задача навчання понять - пошук у просторі гіпотез.....122 6.13.2. Упорядкування гіпотез "від загальної до конкретної"........124 6.13.3. Алгоритм Find-S пошуку максимально конкретної гіпотези.....126 6.13.4. Алгоритм "вилучення кандидата".......129 Контрольні запитання......144 Задачі для самостійного розв'язування.....145 РОЗДІЛ 8. Нейронні мережі.....169 8.1. Навчання на основі зв'язків.....169 8.1.2. Модель штучного нейрона...........171 8.1.3. Подання нейромереж та їхньої архітектури.......175 8.1.4. Сучасні архітектури нейромереж....177 8.1.5. Навчання одношарових нейромереж прямого поширення .......182 8.1.6. Навчання багатошарових нейронних мереж прямого поширення......189 8.2. Метод опорних векторів......194 8.3. Мережі, що самоорганізовуються.....210 8.3.1. Опис мереж, що самоорганізуються......210 8.3.2. Міри відстані між векторами.......212 8.3.3. Проблема нормалізації векторів......212 8.3.4. Міра організації мережі......213 8.3.5. Механізм стомлення нейронів.....214 8.3.6. Методи навчання мереж, що самоорганізовуються.....215 Задачі для самостійного розв'язування......219 РОЗДІЛ 9. Онтології й онтологічні системи........222 9.1. Поняття онтології.....222 9.2. Моделі онтології й онтологічні системи.....229 9.3. Методології створення і "життєвий цикл" онтологіїї.....233 9.4. Мови опису онтологій........234 Контрольні запитання......238 РОЗДІЛ 10. Програмні засоби побудови онтологій.......239 10.1. Онтологія як засіб формалізації знань......239 10.1.2. Загальні принципи проектування онтологій......242 10.1.3. Формати та стандарти подання інформації.......243 10.1.4. Засоби для створення онтології....246 10.2. Технологія розроблення онтологій в редакторі Protege......247 10.2.1. Еволюція Protege....247 10.2.2. Protege-OWL. Мова Web онтологій OWL .......249 10.2.3. Основні терміни та поняття у Protege - OWL....249 10.2.4. Методика розроблення онтології засобами Protege......253 10.2.5. Створення онтології......255 Контрольні запитання ......268 Використана література......269
520 _aВикладено основні методи аналізу даних та знань, особливу увагу звернуто на багатовимірний та інтелектуальний аналіз даних. Висвітлено особливості технологій Data Mining, їх теоритичні та прикладні аспекти. Розглянуто методи машинного читання, які використовуються під час аналізу даних та знань. Навчальний посібник призначений для студентів, що навчаються за напрямами підготовки "Комп'ютерні науки", "Системний аналіз", для магістрів спеціальностей "Управління проектами" та "Консолідована інформація".
650 _a004 Комп'ютерна наука і технологія. Застосування комп'ютера. Оброблення даних
700 1 _aПасічник В. В.
700 1 _aНікольський Ю. В.
942 _cBK
_2udc
955 _a2