Kangoo.plSzukamy produktów wśród ponad 10 mln ofert sklepów internetowych

Odkrywanie wiedzy ukrytej w bazach i hurtowniach danych jest przedsięwzięciem skomplikowanym i czasochłonnym, którego sukces nie jest zagwarantowany. We współczesnym zinformatyzowanym świecie coraz częściej staje się ono jednak koniecznością. W ramach eksploracji danych rozwijane są algorytmy i techniki, dzięki którym proces poszukiwań jest bardziej przyjazny i efektywny. W monografii zaprezentowałem w jaki sposób obliczenia ewolucyjne, które są obecnie coraz popularniejszym i przede wszystkim skutecznym narzędziem rozwiązywanie złożonych problemów, mogą być wykorzystane w podstawowym zadaniu eksploracji jakim jest konstruowanie modeli predykcyjnych. W szczególności przedstawiłem globalne metody indukcji drzew decyzyjnych, dzięki którym wynikowe struktury są mniejsze niż uzyskiwane przy użyciu klasycznych algorytmów zastępujących. Jakość klasyfikacji osiągana przez zaproponowane algorytmy globalne jest przy tym nie gorsza od osiąganej przez konkurencyjne systemy drzew decyzyjnych.   Spis treści   Wprowadzenie do obliczeń ewolucyjnych Struktura algorytmu ewolucyjnego Reprezentowanie dopuszczalnych rozwiązań Różnicowanie osobników Operator mutacji Operator krzyżowania Selekcja   Eksploracja danych Eksploracja danych w procesie pozyskiwania wiedzy Zadanie eksploracji danych Komponenty eksploracji wiedzy Klasyfikacja Drzewa decyzyjne Rodzaje testów i drzew Metody indukcji drzew decyzyjnych Poszukiwanie optymalnego testu w węźle Przycinanie drzew decyzyjnych Reguły decyzyjne Algorytm sekwencyjnego pokrywania Zbiór reguł jako klasyfikator Przegląd systemów indukcji reguł Obliczenie ewolucyjne jako narzędzie eksploracji danych Obliczenie ewolucyjne w indukcji drzew decyzyjnych Obliczenia ewolucyjne w generowaniu reguł decyzyjnych   Globalna indukcja drzew jednowymiarowych Reprezentacja Tworzenie populacji początkowej Operatory różnicowania Mutowanie drzewa decyzyjnego Krzyżowanie drzew decyzyjnych Dodatkowe przetwarzanie Selekcja i warunek zatrzymania Funkcja dopasowania Weryfikacja eksperymentalna globalnej indukcji Poznawanie własności systemu Wyniki uzyskane na zbiorach sztucznych i rzeczywistych Skalowalność indukcji na dużych zbiorach   Algorytm memetyczny w indukcji drzew jednowymiarowych Hybrydowa indukcja drzew jednowymiarowych Tworzenie populacji początkowej Modyfikacja operatora mutacji Weryfikacja eksperymentalna Wpływ częstości lokalnej optymalizacji na indukcję Wyniki na zbiorach sztucznych i rzeczywistych   Generowanie drzew skośnych Ewolucyjna indukcja drzew skośnych Tworzenie populacji początkowej Różnicowanie drzew skośnych Funkcja dopasowania Weryfikacja eksperymentalna Rola operatora dipolowego Eksperymenty ze zbiorami zawierającymi szum Wyniki uzyskane na sztucznych i rzeczywistych zbiorach Skalowalność indukcji na dużych zbiorach   Konstruowanie drzew mieszanych Ewolucyjna indukcja drzew mieszanych Różnicowanie drzew mieszanych Funkcja dopasowania Wyniki eksperymentów obliczeniowych Zbiory sztuczne Zbiory rzeczywiste Szybkość i skalowalność ewolucji drzew mieszanych   Klasyfikacja uwzględniająca koszty Ewolucyjna indukcja drzew jednowymiarowych uwzględniająca koszty Funkcja dopasowania czuła na koszty Modyfikacje operatorów genetycznych Przypisanie klas w liściach drzew Weryfikacja eksperymentalna Minimalizacja kosztów błędnych decyzji Eksperymenty z dwom rodzajami kosztów   Obliczenie równoległe w globalnej indukcji drzew Implementacja równoległa globalnej indukcji drzew Zaproponowane rozwiązanie Realizacja na klastrze obliczeniowym Rozwiązanie hybrydowe Weryfikacja eksperymentalna Rozproszona globalna indukcja drzew decyzyjnych Wyniki eksperymentów obliczeniowych   Podsumowanie Możliwe kierunki badań

Prezentowana książka przedstawia grupę metod tworzenia modeli eksploracyjnej analizy danych oraz projektowania narzędzi wydobywania wzorców ze zbiorów danych opartych na minimalizacji wypukłych i odcinkowo-liniowych funkcji kryterialnych (ang. convex and piecewise linear criterion functions - CPL). Brane są tu pod uwagę tzw. wzorce geometryczne, które mają postać wypukłych wielościanów wydzielonych w wielowymiarowej przestrzeni cech przez rodzinę hiperpłaszczyzn. Do uwzględnionych funkcji typu CPL należy perceptronowa funkcja kryterialna (ang. Perceptron Criterion Function). Funkcja ta wywodzi się z koncepcji Perceptronu zaproponowanej w połowie XX wieku przez F. Rosenblatta. Idea Perceptronu wiązana jest z początkami teorii sieci neuropodobnich oraz początkami rozpoznawania obrazów. Analizowana rodzina funkcji typu CPL zawiera również funkcje dipolową oraz różnicową. Dipolowa funkcja kryterialna znajduje zastosowanie w projektowaniu hierarchicznych struktur z neuronów formalnych oraz wielowymiarowych drzew decyzyjnych. Różnicowa funkcja kryterialna używana jest m.in. w projektowaniu liniowych transformacji wizualizacyjnych umożliwiających interaktywne wydobywanie wzorców.  Spis treści: I. Wstęp  II. Probabilistyczne modele klasyfikacji  III. Funkcje kryterialne klasyfikacji liniowej  IV. Uczenie neuronów formalnych a perceptronowa funkcja kryterialna  V. Warstwy neuronów formalnych jako narzędzie separowalnej kompresji danych oraz ich klasyfikacji  VI. Algorytmy wymiany rozwiązań bazowych  VII. Projektowanie separujących warstw neuronów formalnych - strategie rangowa i dipolowa  VIII. Funkcje kryterialne w projektowaniu warstw separujących  IX. Separujące transformacje liniowe oparte na modelach dipolowych  X. Regresyjne odwzorowania liniowe  XI. Selekcja zestawów cech liniowo separowalnych  XII. Wydzielanie skupień - algorytm K średnich oparty na normach Li oraz L  XIII. System wspomagania diagnostyki "Hepar"  XIV. Zakończenie Dodatek. Elementy rachunku wektorowego i macierzowego  Bibliografia