Zaawansowane wyszukiwanie
  Strona Główna » Sklep » Bazy danych » Teoria baz danych » Moje Konto  |  Zawartość Koszyka  |  Do Kasy   
 Wybierz kategorię
Algorytmy Wzorce UML
Bazy danych
  Access
  Big Data
  MySQL PostgreSQL
  Oracle
  SQL
  Teoria baz danych
Bezpieczeństwo
Bioinformatyka
Biznes Ekonomia Firma
Chemia
DTP Design
E-biznes
Ekonometria
Elektronika Elektrotechnika
Energetyka
Fizyka
GIS
Grafika użytkowa
Hardware
Informatyczne systemy zarządzania
Informatyka w szkole
Internet
Języki programowania
Matematyka
Multimedia
Obsługa komputera
Office
Poradniki
Programowanie gier
Programy inżynierskie
Programy matematyczne
Serwery
Sieci Firewalle Protokoły
Słowniki
Systemy operacyjne
Technika
Telekomunikacja
Tworzenie stron WWW

Zobacz pełny katalog »
 Wydawnictwo:
 Difin
Podstawy zarządzania produkcją

Podstawy zarządzania produkcją

45.00zł
38.25zł
Metody i modele eksploracji danych 59.00zł 43.66zł
Metody i modele eksploracji danych

Autor: Daniel T. Larose

ISBN: 978-83-01-15467-7

Ilość stron: 340

Data wydania: 08/2012 (dodruk)

Podręcznik poświęcony metodom i modelom stosowanym w eksploracji danych. Omówiono w nim zagadnienia klasyczne, takie jak: metody analizy składowych głównych, analizę regresji, regresję logistyczną oraz tzw. naiwne podejście bayesowskie do klasyfikacji, sieci bayesowskie i algorytmy genetyczne.

Podano również studium przypadku, czyli rozwiązania dużego zadania rzeczywistego za pomocą wcześniej omówionych metod i algorytmów. Książka zawiera wiele przykładów oraz ćwiczeń i problemów symulacyjnych do rozwiązania.

Książka przeznaczona jest dla studentów informatyki, ekonomii, zarządzania na uniwersytetach, uczelniach technicznych i ekonomicznych, wykładowców i osób prowadzących ćwiczenia z eksploracji danych i przedmiotów pokrewnych. Zainteresuje także menedżerów, dyrektorów IT, finansistów i naukowców wykorzystujących eksplorację danych w praktyce.

Rozdziały:

Przedmowa
0.1. Co to jest eksploracja danych?                    XI
0.2. Dlaczego ta książka jest potrzebna?                  XI
0.3. Podejście typu „biała skrzynka” — zrozumienie podstawowych struktur algorytmów i modeli XII
0.3.1. Omówienie działania algorytmów                 XII
0.3.2. Zastosowanie algorytmów do dużego zbioru danych           XII
0.3.3. Ćwiczenia do rozdziałów —upewnij się, że rozumiesz           XII
0.3.4. Ćwiczenia praktyczne—nauka eksploracji danych poprzez wykonywanie eksploracji danych
0.3.5. Studium przypadku — podejście całościowe              XIII
0.4. Eksploracja danych jako proces                   XIII
0.5. Oprogramowanie                        XIV
0.5.1. WEKA — alternatywa typu open source               XIV
0.6. Strona internetowa: ww.dataminingconsultant.com          XV
0.7. Metody i modele eksploracji danych jako podręcznik             XV
0.8. Podziękowania                        XVI

1. Metody redukcji wymiaru
1.1. Konieczność redukcji wymiaru w eksploracji danych             1
1.2. Analiza składowych głównych                    2
1.2.1. Zastosowanie analizy składowych głównych do zbioru danych houses (domy) 
1.2.2. Ile składowych należy wyodrębnić?                10
1.2.3. Tworzenie profili składowych głównych               13
1.2.4. Zasób zmienności wspólnej                   16
1.2.5. Walidacja składowych głównych                 18
1.3. Analiza czynnikowa                       19
1.3.1. Zastosowanie analizy czynnikowej do zbioru danych adult         20
1.3.2. Rotacja czynników                     22
1.4. Komponenty zdefiniowane przez użytkownika               25
1.4.1. Przykład komponentu zdefiniowanego przez użytkownika          26
1.5. Podsumowanie                        27
1.6. Literatura                          30
1.7. Ćwiczenia                          31

2. Modelowanie regresji
2.1. Przykład prostej regresji liniowej                   36
2.2. Oszacowanie najmniejszych kwadratów                39
2.3. Współczynnik determinacji                    42
2.4. Błąd standardowy estymatora                    47
2.5. Współczynnik korelacji                     48
2.6. Tablica ANOVA                        50
2.7. Punkty oddalone, punkty wysokiej d´zwigni i obserwacje wpływowe        51
2.8. Model regresji                        59
2.9. Wnioskowanie w modelu regresji liniowej                61
2.9.1. Test t dla hipotezy o zachodzeniu liniowego związku między x a y      62
2.9.2. Przedział ufności dla nachylenia linii regresji             64
2.9.3. Przedział ufności dla wartości średniej y przy danej wartości x        64
2.9.4. Przedział predykcji dla wartości y przy danej wartości x         65
2.9.5. Sprawdzanie założeń regresji                  68
2.10. Przykład: zbiór danych baseball                   73
2.11. Przykład: zbiór danych California                  79
2.12. Transformacje w celu osiągnięcia liniowosći               83
2.12.1.Transformacja Boxa–Coxa                  88
2.13. Podsumowanie                        88
2.14. Literatura                          91
2.15. ćwiczenia                         91

3. Regresja wielokrotna i budowa modelu
3.1. Przykład regresji wielokrotnej                   98
3.2. Model regresji wielokrotnej                    104
3.3. Wnioskowanie w modelu regresji wielokrotnej              105
3.3.1. Test t dla zależności pomiędzy y a xi               105
3.3.2. Test t dla zależnosći pomiędzy zmiennąwartośĆ odżywcza a zmienną cukry 
3.3.3. Test t dla zależnosći pomiędzy zmiennąwartośĆ odżywcza a zmienną błonnik 
3.3.4. Test F istotności całego modelu regresji              107
3.3.5. Test F dla zależnosći pomiędzy zmienną wartośĆ odżywcza a zmiennymi cukry i błonnik
3.3.6. Przedział ufności dla danego współczynnika             109
3.3.7. Przedział ufności dla wartości średniej y przy danych x1, x2,   , xm      110
3.3.8. Przedział predykcji dla y przy danych x1, x2,   , xm          110
3.4. Regresja z jakosćiowymi zmiennymi objaśniającymi             110
3.4.1. Skorygowany R2 — sposób na wyeliminowanie z modelu zmiennych objaśniających, które nie są przydatne
3.4.2. Sekwencyjne sumy kwadratów                 120
3.5. Współliniowość                        122
3.6. Metody wyboru zmiennych objaśniających                128
3.6.1. Częściowy test F                     128
3.6.2. Metoda dołączania                     130
3.6.3. Metoda eliminacji                     131
3.6.4. Regresja krokowa                     131
3.6.5. Metoda najlepszych podzbiorów                 131
3.6.6. Metoda wszystkich możliwych regresji               132
3.7. Zastosowanie metod wyboru zmiennych objaśniających            132
3.7.1. Metoda dołączania zastosowana do zbioru danych cereals         133
3.7.2. Metoda eliminacji zastosowana do zbioru danych cereals         135
3.7.3. Metoda regresji krokowej zastosowana do zbioru danych cereals       137
3.7.4. Metoda najlepszych podzbiorów zastosowana do zbioru danych cereals     138
3.8. Statystyka Cp Mallowsa                     138
3.9. Kryteria wyboru zmiennych                    140
3.10. Zastosowanie składowych głównych jako zmiennych objaśniających        148
3.11. Podsumowanie                        154
3.12. Literatura                          156
3.13. ćwiczenia                         156

4. Regresja logistyczna
4.1. Przykład prostej regresji logistycznej                 163
4.2. Estymacja największej wiarygodności                 166
4.3. Interpretacja wyników regresji logistycznej               166
4.4. Wnioskowanie —czy zmienne objaśniające są istotne?            168
4.5. Interpretacja modelu regresji logistycznej                170
4.5.1. Interpretacja modelu dla zmiennych jakościowych o dwóch wartościach     171
4.5.2. Interpretacja modelu dla zmiennych objaśniających z wieloma wartosćiami
4.5.3. Interpretacja modelu z ciągłą zmienną objaśniającą           179
4.6. Założenie liniowości                      184
4.7. Problem komórek z wartosćią zero                  187
4.8. Wielokrotna regresja logistyczna                   189
4.9. Wprowadzenie funkcji wyższego rzędu, aby uwzględnić nieliniowość        194
4.10. Sprawdzenie modelu regresji logistycznej                201
4.11. WEKA —praktyczna analiza za pomocą regresji logistycznej          205
4.12. Podsumowanie                        209
4.13. Literatura                          210
4.14. ćwiczenia                         211

5. Naiwna estymacja bayesowska i sieci bayesowskie
5.1. Podejście bayesowskie                      217
5.2. Klasyfikacja maksymalnego a posteriori                219
5.2.1. Iloraz szans a posteriori                   223
5.2.2. Równoważenie danych                   225
5.3. Naiwny klasyfikator bayesowski                   228
5.3.1. Numeryczne zmienne objaśniające                233
5.4. WEKA —praktyczna analiza zastosowania naiwnego Bayesa          237
5.5. Sieci przekonań Bayesa                     241
5.5.1. Przykład zakupów odzieży                  242
5.5.2. Zastosowanie sieci Bayesa do znalezienia prawdopodobieństw        244
5.6. WEKA —praktyczna analiza z użyciem klasyfikatora sieci Bayesa        247
5.7. Podsumowanie                        250
5.8. Literatura                          251
5.9. ćwiczenia                         252

6. Algorytmy genetyczne
6.1. Wprowadzenie do algorytmów genetycznych               255
6.2. Podstawowy szkielet algorytmu genetycznego               256
6.3. Prosty przykład działania algorytmu genetycznego             258
6.4. Modyfikacje i rozszerzenia —selekcja                 260
6.5. Modyfikacje i rozszerzenia —krzyżowanie               262
6.5.1. Krzyżowanie wielopunktowe                  262
6.5.2. Krzyżowanie równomierne                  263
6.6. Algorytm genetyczny dla zmiennych rzeczywistych             263
6.7. Zastosowanie algorytmów genetycznych do uczenia sieci neuronowych       265
6.8. WEKA— praktyczna analiza użycia algorytmów genetycznych         270
6.9. Podsumowanie                        277
6.10. Literatura                          278
6.11. ćwiczenia                         280

7. Studium przypadku —modelowanie odpowiedzi na kampanię marketingową
7.1. Cross-Industry Standard Process for Data Mining             282
7.2. Zrozumienie uwarunkowań biznesowych                284
7.2.1. Problem odpowiedzi na kampanię marketingową            284
7.2.2. Budowanie tabeli koszt/zysk                  284
7.3. Zrozumienie danych i przygotowanie danych               286
7.3.1. Przekształcenia w celu uzyskania normalności albo symetrii        289
7.3.2. Standaryzacja i zmienne flagowe                 293
7.3.3. Otrzymywanie nowych zmiennych                294
7.3.4. Badanie relacji pomiędzy zmiennymi objaśniającymi a zmienną celu      296
7.3.5. Badanie struktury korelacji pomiędzy zmiennymi objaśniającymi       305
7.4. Etap modelowania i ewaluacji                   307
7.4.1. Analiza składowych głównych                 310
7.4.2. Analiza skupień —algorytm grupowania BIRCH            312
7.4.3. Równoważenie zbioru uczącego                 316
7.4.4. Określenie punktu odniesienia dla działania modelu           317
7.4.5. Zbiór modeli A —wykorzystanie analizy składowych głównych       319
7.4.6. Przeważanie jako substytut kosztów błędnej klasyfikacji          321
7.4.7. Łączenie modeli— głosowanie                 323
7.4.8. Zbiór modeli B —modele bez składowych głównych          325
7.4.9. Łączenie modeli za pomocą średniego prawdopodobienśtwa odpowiedzi     327
7.5. Podsumowanie
7.6. Literatura

Metody i modele eksploracji danych
Tytuł książki: "Metody i modele eksploracji danych"
Autor: Daniel T. Larose
Wydawnictwo: Naukowe PWN
Cena: 59.00zł 43.66zł
Klienci, którzy kupili „Metody i modele eksploracji danych”, kupili także:
<b>NoSQL. Kompendium wiedzy</b>, <font color="navy">Pramod J. Sadalage, Martin Fowler</font>, <font color="green"> Wydawnictwo HELION</font>
NoSQL. Kompendium wiedzy, Pramod J. Sadalage, Martin Fowler, Wydawnictwo HELION
<b>Badanie danych. Raport z pierwszej linii działań</b>, <font color="navy">Rachel Schutt,Cathy O'Neil</font>, <font color="green"> Wydawnictwo HELION</font>
Badanie danych. Raport z pierwszej linii działań, Rachel Schutt,Cathy O'Neil, Wydawnictwo HELION
<b>Oracle Database 12c i SQL Programowanie</b>, <font color="navy">Jason Price</font>, <font color="green"> Wydawnictwo HELION</font>
Oracle Database 12c i SQL Programowanie, Jason Price, Wydawnictwo HELION
<b>Oracle Database 12c Programowanie w języku PL/SQL</b>, <font color="navy">Michael McLaughlin</font>, <font color="green"> Wydawnictwo HELION</font>
Oracle Database 12c Programowanie w języku PL/SQL, Michael McLaughlin, Wydawnictwo HELION
<b>Metody automatycznego rozpoznawania wzorców Wydanie 2</b>, <font color="navy">Włodzimierz Kwiatkowski</font>, <font color="green"> Wydawnictwo BEL Studio</font>
Metody automatycznego rozpoznawania wzorców Wydanie 2, Włodzimierz Kwiatkowski, Wydawnictwo BEL Studio
<b>Obliczenia inteligentne, szybkie przekształcenia i klasyfikatory</b>, <font color="navy">Piotr S. Szczepaniak</font>, <font color="green"> Wydawnictwo EXIT</font>
Obliczenia inteligentne, szybkie przekształcenia i klasyfikatory, Piotr S. Szczepaniak, Wydawnictwo EXIT
 Koszyk
0 przedmiotów
Producent
Tu można zobaczyć wszystkie książki z wydawnictwa:

Wydawnictwo Naukowe PWN
 Kategoria:
 SQL
Bazy danych i PostgreSQL od podstaw

Bazy danych i PostgreSQL od podstaw

89.00zł
71.20zł
Informacje
Regulamin sklepu.
Koszty wysyłki.
Polityka prywatności.
Jak kupować?
Napisz do Nas.
 Wydawnictwa
 Poradniki
Antywzorce języka SQL Jak unikać pułapek podczas programowania baz danych Bill Karwin HELION
Rootkity Sabotowanie jądra systemu Windows Greg Hoglund, Jamie Butler HELION
Android. Programowanie aplikacji. Rusz głową Dawn Griffiths, David Griffiths HELION
Blender Mistrzowskie animacje 3D Tony Mullen HELION
Bionika Wydanie 2 Ewaryst Tkacz, Przemysław Borys WNT
Systemy Informacji Geograficznej Zarządzanie danymi przestrzennymi w GIS, SIP, SIT, LIS Leszek Litwin, Grzegorz Myrda HELION
Wprowadzenie do kompresji danych Wydanie 2 Adam Drozdek WNT
Chłodnictwo Technologia w piekarni Klaus Losche Naukowe PWN
ArchiCAD 10 Karl Heinz Sperber HELION

poniedziałek, 22 październik 2018   Mapa strony |  Nowości |  Dzisiejsze promocje |  Koszty wysyłki |  Kontakt z nami