Statystyczne systemy uczące się.

Ćwiczenia w oparciu o pakiet R

Książka jest zbiorem ćwiczeń wraz z rozwiązaniami i dyskusją, dotyczących statystycznej analizy danych wielowymiarowych z perspektywy eksploatacji (ang. data mining).

Problemy dotyczą min. analizy składowych głównych, metod klasyfikacji i analizy skupień oraz szacowania funkcji regresji. Cykle tematyczne poprzedzone są krótkim wstępem.

Książka jest przeznaczona do wykorzystania w trakcie jednosemestralnych ćwiczeń laboratoryjnych z zaawansowanej algebry danych.

Przedmowa
1 Analiza składowych głównych
1.1. Przykładowa analiza
1.2. Regresja składowych głównych (PCR) i regresja częściowych najmniejszych kwadratów(PLSR)
1.3. Zadania
2 LDA i QDA
2.1. Dwie klasy, dwie zmienne
2.2. Trzy klasy, dwie zmienne
2.3. Trzy klasy, trzy zmienne
2.4. Wiele klas, wiele zmiennych
2.5. Zadania
3 Dyskryminacja logistyczna
3.1. Zadania
4 Ocena jakości klasyfikatorów. Krzywa ROC i parametr AUC
4.1. Ocena jakości reguły klasyfikacyjnej
4.2. Metody estymacji prawdopodobieństwa błędnej klasyfikacji
4.2.1. Kroswalidacja n-krotna (leave-one-out, one-leaving-out)
4.2.2. Kroswalidacja 10-krotna
4.2.3. Metoda oceny błędu na podstawie wielokrotnego podziału próby
4.3. Krzywe ROC
4.3.1. Binormalna krzywa ROC
5 Estymacja gęstości
5.1. Wprowadzenie
5.2. Estymacja gęstości jednowymiarowej
5.3. Klasyfikacja na podstawie gęstości jednowymiarowej
5.4. Estymacja gęstości dwuwymiarowej
5.5. Klasyfikacja na podstawie gęstości dwuwymiarowej
5.6. Metoda typu „najbliższy sąsiad” (kNN)
5.7. Zadania
6 Drzewa klasyfikacyjne i regresyjne
6.1. Drzewa regresyjne
6.2. Drzewa klasyfikacyjne
6.3. Drzewa regresyjne: dane fitness
6.4. Drzewa klasyfikacyjne: dane Cars93
6.5. Redukcja zmiennych w przypadku drzew klasyfikacyjnych
6.6. Zadania
7 Metody nieparametrycznej estymacji funkcji regresji
7.1. Nieliniowe parametrycznemetody regresyjne
7.2. Nieparametrycznemetody regresyjne
7.2.1. Metody nieparametryczne - niski wymiar wektora atrybutów
7.2.2. Metody nieparametryczne - wysoki wymiar wektora atrybutów
7.3. Zadania
8 Metody łączenia klasyfikatorów: bagging, boosting i lasy losowe
8.1. Klasyfikator AdaBoost dla drzewa
8.2. Klasyfikator AdaBoost dla LDA
8.3. Zadania
9 Analiza skupień i skalowanie wielowymiarowe
9.1. Zadania
10 Przykład analizy: dane Image Segmentation
10.1.Wczytanie danych i wybranie atrybutów
10.2.PCA
10.3.LDA
10.4.QDA
10.5.Drzewa klasyfikacyjne
10.5.1. LDA z pominięciem kilku klas
10.6.kNN
10.7. Klasyfikacja na podstawie składowych głównych
11 Dodatek
11.1.Używane zbiory danych

192 strony, oprawa miękka

Po otrzymaniu zamówienia poinformujemy,
czy wybrany tytuł polskojęzyczny lub anglojęzyczny jest aktualnie na półce księgarni.

STATYSTYCZNE SYSTEMY UCZĄCE SIĘ ĆWICZENIA W OPARCIU O PAKIET R

ĆWIK J. MIELNICZUK J.

Statystyczne systemy uczące się.

Ćwiczenia w oparciu o pakiet R

Książka jest zbiorem ćwiczeń wraz z rozwiązaniami i dyskusją, dotyczących statystycznej analizy danych wielowymiarowych z perspektywy eksploatacji (ang. data mining).

Problemy dotyczą min. analizy składowych głównych, metod klasyfikacji i analizy skupień oraz szacowania funkcji regresji. Cykle tematyczne poprzedzone są krótkim wstępem.