Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
В данной работе рассмотрены наиболее популярные алгоритмы машинного обучения и программные инструменты для их использования. Проанализированы алгоритмы машинного обучения, решающие задачу прогнозирования, и обозначены их достоинства и недостатки. Предложен и обоснован метод, решающий задачу прогнозирования посредством агрегирования результатов обобщенной линейной модели и метода опорных векторов. Проведено исследование метода на примере оценки рисков кардиологических заболеваний и прогнозирования пола и возраста моллюсков галиотисов, подтвердившее эффективность разработанного подхода.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Table of Contents
- РЕФЕРАТ
- СОДЕРЖАНИЕ
- ОПРЕДЕЛЕНИЯ
- ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
- ВВЕДЕНИЕ
- ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ
- 1.1. Анализ алгоритмов машинного обучения
- 1.1.1. Прогностическое обучение
- 1.1.1.1. Классификация
- 1.1.1.2. Регрессия
- 1.1.2. Дескриптивное обучение
- 1.1.2.1. Кластеризация
- 1.1.2.2. Поиск аномалий
- 1.1.2.3. Поиск ассоциативных правил
- 1.1.2.4. Снижение размерности исходных данных
- 1.1.1. Прогностическое обучение
- 1.2. Анализ инструментов для построения интеллектуальных моделей прогнозирования
- 1.2.1. Графические программные продукты
- 1.2.1.1. IBM SPSS Modeler
- 1.2.1.2. SAS Enterprise Miner
- 1.2.1.3. Statistica
- 1.2.1.4. Weka
- 1.2.1.5. Rapid Miner
- 1.2.2. Библиотеки для языков программирования
- 1.2.2.1. Python
- 1.2.2.2. Java
- 1.2.2.3. R
- 1.2.3. Инструменты для обработки больших данных алгоритмами машинного обучения, интегрированные в СУБД
- 1.2.3.1. Intelligent Miner for Data
- 1.2.3.2. SQL Server Analysis Services
- 1.2.3.3. Oracle Data Mining
- 1.2.1. Графические программные продукты
- 1.3. Постановка задачи выпускной квалификационной работы
- 1.1. Анализ алгоритмов машинного обучения
- ГЛАВА 2. АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИ И РЕГРЕССИИ
- 2.1. Классификация
- 2.1.1. Линейный классификатор
- 2.1.2. Логистическая регрессия
- 2.1.3. Метод опорных векторов
- 2.1.4. Байесовский классификатор
- 2.1.5. Наивный байесовский классификатор
- 2.1.6. Логические алгоритмы классификации
- 2.1.6.1. Список решений или машина покрывающих множеств
- 2.1.6.2. Дерево решений
- 2.1.7. Алгоритмическая композиция
- 2.1.7.1. Bootstrap Aggregating
- 2.1.7.2. Случайный лес
- 2.1.7.3. Метод усиления слабых моделей
- 2.2. Регрессия
- 2.2.1. Линейная регрессия
- 2.2.2. Гребневая регрессия
- 2.2.3. Нелинейная регрессия
- 2.2.4. Метод опорных векторов
- 2.3. Метод композиции алгоритмов машинного обучения
- 2.4. Принцип построения прогнозирующей модели с помощью технологии Oracle Data Mining
- 2.4.1. Подготовка данных
- 2.4.2. Настройка модели
- 2.4.3. Тестирование и оценка модели
- 2.1. Классификация
- ГЛАВА 3. РЕАЛИЗАЦИЯ МОДЕЛИ ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ ТЕХНОЛОГИИ ORACLE DATA MINING
- 3.1. Подготовка входных данных
- 3.2. Построение прогнозирующей модели
- 3.2.1. Выделение контрольной и тренировочной выборок
- 3.2.2. Создание индивидуальной выборки
- 3.2.3. Настройка конфигурации базовых моделей
- 3.2.4. Описание процедур, реализующих метод композиции алгоритмов машинного обучения
- ГЛАВА 4. АНАЛИЗ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ
- ЗАКЛЮЧЕНИЕ
- СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
- Приложение 1
- Описание набора данных «Framingham Heart Study»
- Приложение 2
- Описание набора данных «Abalone»
- Приложение 3
- Параметры конфигурации базовых алгоритмов композиции
- Приложение 4
- Код PL/SQL пакета, реализующего метод композиции алгоритмов машинного обучения
Usage statistics
Access count: 387
Last 30 days: 0 Detailed usage statistics |