Прикладные методы анализа данных и знаний
ОглавлениеПредисловиеЧасть I. Введение в анализ данных Глава 1. Основные понятия § 1. Чем отличаются «данные» от «знаний»? § 2. Что такое анализ данных? § 3. Принятие решений по прецедентам и моделям § 4. Что такое анализ знаний? § 5. Что такое закономерность? Глава 2 Классификация задач анализа данных § 1. Теория измерений 1.1. Типы измерительных шкал 1.2. Сравнительная информативность шкал § 2. Классификация задач анализа данных Глава 3 Базовые гипотезы, лежащие в основе методов анализа данных § 1. Гипотеза компактности § 2. Гипотеза L-компактности Часть II. Методы анализа данных Глава 4. Задачи таксономии § 1. Природа задач таксономии § 2. Алгоритмы таксономии класса FOREL 2.1. Алгоритм FOREL 2.2. Алгоритм FOREL-2 2.3. Алгоритм SKAT 2.4. Алгоритм KOLAPS 2.5. Алгоритм BIGFOR 2.6. Иерархическая таксономия § 3. Динамичная таксономия 3.1. Алгоритм DINA 3.2. Алгоритм SETTIP § 4. Таксономия с суперцелью 4.1. Алгоритм ROST § 5. Таксономия в анизотропном пространстве § 6. Сравнение алгоритмов таксономии § 7. Выбор числа таксонов § 8. Примеры решения практических задач 8.1. Задачи палеонтологии и геологической разведки 8.2. Задачи социологии и экономики 8.3. Задачи биологии 8.4. Задачи океанологии 8.5. Задачи распознавания речевых сигналов («кодовая книга») 8.6. Другие области применения § 9. Некоторые дополнительные замечания о таксономии Глава 5 Распознавание образов § 1. Алгоритмы построения решающих правил § 2. Статистические решающие правила § 3. Алгебраические методы построения решающих правил § 4. Распознавание большого числа образов 4.1. Метод отбора сильнейшего конкурента (МСК) 4.2. Метод попутного разделения (ПОРА) 4.3. Метод покоординатного вычеркивания (МПВ) § 5. Оценка потерь § 6. Гипотеза компактности в распознавании образов § 7. Построение решающих правил по конечной выборке § 8. Решающие правила, опирающиеся на прецеденты 8.1. Минимизация набора прецедентов (алгоритм STOLP) 8.2. Метод «дробящихся эталонов» (алгоритм ДРЭТ) 8.3. Таксономические решающие функции (алгоритм ТРФ) § 9. Логические решающие правила 9.1. Алгоритм CORAL 9.2. Алгоритм DW § 10. Представительность выборки Глава 6 Выбор системы информативных признаков § 1. Постановка задачи § 2. Критерии информативности признаков § 3. Метод последовательного сокращения (алгоритм Del) § 4. Метод последовательного добавления признаков (алгоритм Add) § 5. Метод случайного поиска с адаптацией (алгоритм СПА) § 6. Направленный таксономический поиск признаков (алгоритм НТПП) Глава 7 Заполнение пробелов и обнаружение ошибок в эмпирических таблицах § 1. Обзор работ по проблеме заполнения пробелов § 2. Базовый алгоритм ZET заполнения пробелов § 3. Некоторые варианты алгоритма ZET § 4. Примеры применения алгоритмов семейства ZET § 5. Алгоритмы семейства WANGА Глава 8 Прогнозирование многомерных временных рядов § 1. Введение § 2. Обучающийся генетический алгоритм прогнозирования LGAP 2.2. Отбор компетентных штаммов 2.3. Выработка частных вариантов прогноза 2.4. Получение окончательного прогноза § 3. Критерии для оценки точности прогноза § 4. Возможности распараллеливания алгоритма LGAP § 5. Экспериментальная проверка алгоритма LGAP § 6. Коллективно-групповые методы распознавания (класс алгоритмов КГМ) Глава 9. Согласование разнотипных шкал § 1. Расстояние между объектами в пространстве разнотипных признаков § 2. Расстояние между разнотипными признаками Глава 10 Алгоритмы таксономии в L-пространстве § 1. Алгоритм L-KRAB § 2. Алгоритм L-KRAB-2 § 3. Выбор числа таксонов Глава 11 Методы распознавания образов в L-пространстве § 1. Правило k ближайших соседей (алгоритм L-NNR) § 2. Выбор прецедентов (алгоритм L-STOLP) § 3. Групповое распознавание Глава 12. Другие задачи анализа данных в L-пространстве § 1. Критерии информативности L-пространства § 2. Задачи заполнения пробелов § 3. Пакет прикладных программ ОТЭКС Глава 13 Анализ данных и Data Mining § 1. Что такое Data Mining? § 2. Переоткрытие некоторых законов природы 2.2. Закон Менделя 2.3. Периодический закон Менделеева Часть III. Анализ знаний и структур Глава 14. Метрика в пространстве знаний § 1. Меры близости между предикатами § 2. Расстояние между знаниями Глава 15. Методы анализа знаний § 1. Таксономия знаний § 2. Распознавание образов в пространстве знаний § 3. Выбор информативного подмножества предикатов § 4. Заполнение пробелов в базе знаний Глава 16 Методы анализа структурных объектов § 1. Метод динамического программирования § 2. Метод скрытых марковских процессов (СМП) § 3. D-алгоритм для таксономии траекторий § 4. Иерархические структуры § 5. Расстояние между иерархиями 5.1. Расстояние по виду структуры 5.2. Расстояние по весовым индексам § 6. Таксономия иерархий § 7. Распознавание иерархических структур Глава 17. Анализ данных, знаний и структур в системах искусственного интеллекта § 1. Экспертные системы партнерского типа § 2. Отличительные характеристики ЭС и ПС § 3. Состояние разработок в области партнерских систем § 4. Анализ данных, знаний и структур, связанных с изучением проблемы устойчивого развития Заключение Литература |