d9e5a92d

Data Mining. Программное обеспечение для работы с нейронными сетями

Программное обеспечение, имитирующее работу нейронной сети, называют нейросимулятором либо нейропакетом.

Большинство нейропакетов включают следующую последовательность действий:

•              Создание сети (выбор пользователем параметров либо одобрение установленных по умолчанию).

•              Обучение сети.

• Выдача пользователю решения.

Существует огромное разнообразие нейропакетов, возможность использования нейросетей включена также практически во все известные статистические пакеты.

Среди специализированных нейропакетов можно назвать такие: BrainMaker, NeuroOffice, NeuroPro, и др.

Критерии сравнения нейропакетов: простота применения, наглядность представляемой информации, возможность использовать различные структуры, скорость работы, наличие документации. Выбор определяется квалификацией и требованиями пользователя.

Пример решения задачи
Пример решения задачи 2
Пример решения задачи 3
Пример решения задачи 4
Пример решения задачи 5
Пример решения задачи 6

Пакет Matlab
Пакет Matlab 2

Классификация нейронных сетей
Подготовка данных для обучения
Выбор структуры нейронной сети
Карты Кохонена
Задачи, решаемые при помощи карт Кохонена

Обучение сети Кохонена
Обучение сети Кохонена 2
Обучение сети Кохонена 3
Обучение сети Кохонена 4
Обучение сети Кохонена 5
Обучение сети Кохонена 6
Обучение сети Кохонена 7
Обучение сети Кохонена 8

Карты входов
Карты входов 2
Карты входов 3

Выводы
Выводы 2
Выводы 3
 Выводы 4
Выводы 5

Методы кластерного анализа

Иерархические методы кластерного анализа
Иерархические методы кластерного анализа 2

Меры сходства

Иерархический кластерный анализ в SPSS
Иерархический кластерный анализ в SPSS 2

Определение количества кластеров
Алгоритм k-средних (k-means)

Описание алгоритма
Описание алгоритма 2
Описание алгоритма 3

Алгоритм PAM ( partitioning around Medoids)
Предварительное сокращение размерности
Факторный анализ

Итеративная кластеризация в SPSS
Итеративная кластеризация в SPSS 2

Сравнительный анализ иерархических и неиерархических методов кластеризации
Новые алгоритмы и некоторые модификации алгоритмов кластерного анализа
Алгоритм BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies)
Алгоритм WaveCluster
Алгоритм CLARA (Clustering LARge Applications)

Введение в ассоциативные правила
Введение в ассоциативные правила 2
Введение в ассоциативные правила 3

Границы поддержки и достоверности ассоциативного правила

Методы поиска ассоциативных правил
Методы поиска ассоциативных правил 2

Разновидности алгоритма Apriori
AprioriHybrid

Пример решения задачи поиска ассоциативных правил
Пример решения задачи поиска ассоциативных правил 2
Пример решения задачи поиска ассоциативных правил 3
Пример решения задачи поиска ассоциативных правил 4

Визуализатор "Правила"
Визуализатор "Правила" 2
Визуализатор "Правила" 3

Визуализация инструментов Data Mining
Визуализация Data Mining моделей
Методы визуализации
Представление данных в одном, двух и трех измерениях
Представление данных в 4 + измерениях
Параллельные координаты

Лица Чернова
Лица Чернова 2

Качество визуализации
Представление пространственных характеристик
Основные тенденции в области визуализации
Разработка сложных видов диаграмм.
Повышение уровня взаимодействия с визуализацией пользователя.
Увеличение размеров и сложности структур данных, представляемых визуализацией.

Выводы
Выводы 2

Классификация СППР
OLAP-системы

OLAP-продукты
OLAP-продукты 2

Интеграция OLAP и Data Mining
Хранилища данных

Преимущества использования хранилищ данных
Преимущества использования хранилищ данных 2

Анализ предметной области
Постановка задачи Data Mining включает следующие шаги:
Подготовка данных
Определение и анализ требований к данным
Сбор данных

Предварительная обработка данных
Предварительная обработка данных 2

Очистка данных
Анализ данных.
Выводы

Инструменты очистки данных
Инструменты очистки данных 2

Инструменты ETL
Инструменты ETL 2
Инструменты ETL 3
Инструменты ETL 4

Выводы по подготовке данных
Моделирование

Виды моделей
Виды моделей 2

Математическая модель

Построение модели
Построение модели 2

Проверка и оценка моделей
Выбор модели
 Применение модели
Погрешности в процессе Data Mining
Организационные Факторы

Человеческие факторы. Роли в Data Mining
Человеческие факторы. Роли в Data Mining 2
Человеческие факторы. Роли в Data Mining 3

CRISP-DM методология
CRISP-DM методология 2
CRISP-DM методология 3

Стандарт PMML
Стандарты, относящиеся к унификации интерфейсов

Поставщики Data Mining
Поставщики Data Mining 2
Поставщики Data Mining 3

Классификация инструментов Data Mining
Программное обеспечение Data Mining для поиска ассоциативных правил
Программное обеспечение для решения задач кластеризации и сегментации
Свободно распространяемые инструменты
Выводы

Обзор программного продукта
Графический интерфейс (GUI) для анализа данных
Инструментарий для углубленного интеллектуального анализа данных
Набор инструментов для подготовки, агрегации и исследования данных
Интегрированный комплекс разнообразных методов моделирования
Интегрированные средства сравнения моделей и пакеты результатов
Скоринг по модели и простота развертывания модели
Гибкость благодаря открытости и расширяемости

Основные характеристики пакета SAS Enterprise Miner 5.1
Основные характеристики пакета SAS Enterprise Miner 5.1 2
Основные характеристики пакета SAS Enterprise Miner 5.1 3
Основные характеристики пакета SAS Enterprise Miner 5.1 4
Основные характеристики пакета SAS Enterprise Miner 5.1 5

Управление временными метриками при помощи описательных данных
Управление временными метриками при помощи описательных данных 2
Управление временными метриками при помощи описательных данных 3

там
CISCO порусски. Набор статей там





Содержание