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.

• 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
  • 1.2. 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
  • 1.3. Постановка задачи выпускной квалификационной работы
• 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
• 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