Курпатов МЕТОДЫ И МОДЕЛИ АНАЛИЗА ДАННЫХ: OLAP И DATA MINING |
Иван Олегович Курпатов МЕТОДЫ И МОДЕЛИ АНАЛИЗА ДАННЫХ: OLAP И DATA MINING
СПб.: БХВ-Петербург
2015
Содержание
ГЛАВА 1 Системы поддержки принятия решений. 10
1.1. Задачи систем поддержки принятия решений. 10
1.2. Базы данных — основа СППР. 14
1.3. Неэффективность использования OLTP-систем для анализа данных. 20
2.1. Концепция хранилища данных. 27
2.4. Хранилища данных и анализ. 49
3.1. Многомерная модель данных. 52
3.2. Определение OLAP-систем. 57
3.3. Концептуальное многомерное представление. 58
3.3.1. Двенадцать правил Кодда. 58
3.3.2. Дополнительные правила Кодда. 60
3.4. Архитектура OLAP-систем. 64
ГЛАВА 4 Интеллектуальный анализ данных. 75
4.1. Добыча данных — Data Mining. 75
4.2.1. Классификация задач Data Mining. 76
4.2.2. Задача классификации и регрессии. 78
4.2.3. Задача поиска ассоциативных правил. 82
4.2.4. Задача кластеризации. 84
4.3. Практическое применение Data Mining. 86
4.3.1. Интернет-технологии. 86
4.3.4. Промышленное производство. 89
4.3.8. Другие области применения. 93
4.4.1. Предсказательные (predictive) модели. 93
4.4.2. Описательные (descriptive) модели. 94
4.5.3. Генетические алгоритмы. 100
4.6. Процесс обнаружения знаний. 105
4.6.1. Основные этапы анализа. 105
4.6.2. Подготовка исходных данных. 107
ГЛАВА 5 Классификация и регрессия. 111
5.2. Представление результатов. 113
5.2.1. Правила классификации. 113
5.2.3. Математические функции. 115
5.3. Методы построения правил классификации. 117
5.3.1. Алгоритм построения 1-правил. 117
5.4. Методы построения деревьев решений. 123
5.4.1. Методика "разделяй и властвуй" 123
5.5. Методы построения математических функций. 137
5.5.2. Линейные методы. Метод наименьших квадратов. 140
5.5.3. Support Vector Machines (SVM) 142
ГЛАВА 6 Поиск ассоциативных правил. 152
6.1.1. Формальная постановка задачи. 152
6.1.2. Сиквенциальный анализ. 156
6.1.3. Разновидности задачи поиска ассоциативных правил. 159
6.2. Представление результатов. 162
6.3.2. Разновидности алгоритма Apriori 172
7.1. Постановка задачи кластеризации. 175
7.1.1. Формальная постановка задачи. 178
7.1.2. Меры близости, основанные на расстояниях, используемые в алгоритмах кластеризации. 181
7.2. Представление результатов. 183
7.3. Базовые алгоритмы кластеризации. 186
7.3.1. Классификация алгоритмов. 186
7.3.2. Иерархические алгоритмы Агломеративные алгоритмы. 188
7.3.3. Неиерархические алгоритмы. 191
7.4. Кластеризация данных при помощи нечетких отношений. 206
7.4.1. Анализ свойств нечетких бинарных отношений применительно к анализу данных. 206
7.4.2. Отношение а-квазиэквивалентности. 216
ГЛАВА 8 Стандарты Data Mining. 243
8.2.1. Назначение стандарта CWM.. 244
8.2.2. Структура и состав CWM.. 246
8.3.1. Появление стандарта CRISP. 254
8.3.2. Структура стандарта CRISP. 254
8.3.3. Фазы и задачи стандарта CRISP. 257
8.5. Другие стандарты Data Mining. 273
8.5.2. Стандарт OLE DB для Data Mining. 275
ГЛАВА 9 Библиотека Xelopes. 280
9.1. Архитектура библиотеки. 280
9.2.1. Классы модели для Xelopes. 284
9.2.2. Методы пакета Model 287
9.2.3. Преобразование моделей. 288
9.3.1. Классы пакета Settings. 289
9.3.2. Методы пакета Settings. 292
9.4.1. Классы пакета Attribute. 292
9.4.2. Иерархические атрибуты. 294
9.5. Диаграмма Algorithms. 295
9.5.2. Класс MiningAlgorithm.. 296
9.5.3. Расширение класса MiningAlgorithm.. 297
9.5.4. Дополнительные классы. 300
9.6. Диаграмма DataAccess. 301
9.6.2. Класс Mininginputstream.. 303
9.6.3. Классы Mining-векторов. 304
9.6.4. Классы, расширяющие класс Mininginputstream.. 304
9.7. Диаграмма Transformation. 305
9.8. Примеры использования библиотеки Xelopes. 307
9.8.3. Решение задачи кластеризации. 312
9.8.4. Решение задачи классификации. 315
ПРИЛОЖЕНИЕ 1 Нейронечеткие системы. 320
ПРИЛОЖЕНИЕ 2 Особенности и эффективность генетических алгоритмов. 349
СТОИМОСТЬ: 50 РУБ.
После оплаты на странице Яндекс будет сформирована
ссылка на файл "ВЕРНУТЬСЯ В МАГАЗИН"
