Содержание
- 2. Методы приобретения знаний Источники знаний Методы приобретения знаний Знания и опыт экспертов Коммуникационные Тексты Текстологические Экспериментальные
- 3. Knowledge Discovery in Databases
- 4. Обучение Примеры Начальные Решение знания
- 5. Обучение Примеры Начальные Решение знания Измененные правила
- 6. Обучение Примеры Начальные Решение знания Накопленные знания Измененные правила
- 7. Обучение Примеры Начальные Решение знания Накопленные знания Измененные правила Эффективность решения: - более качественное, точное решение;
- 8. Этапы обучения получение знаний без логических выводов получение знаний с правилами формирование обобщений
- 9. Методы обобщения АНАЛОГИЯ Вывод подобного заключения, если существуют подобные посылки ИНДУКЦИЯ Вывод из имеющихся данных объясняющего
- 10. Формирование обобщений Обобщение - переход от единичного объекта о или некоторого множества объектов О к к
- 11. Формирование понятий Z - некоторая система знаний Z = { Z1, Z2, . . . ,
- 12. Задача индуктивного формирования понятий Пусть R – множество объектов, V – множество положительных примеров, W –
- 13. Задача индуктивного формирования понятий В результате обобщения формируется некоторое разделяющее правило. Используется обучающая выборка. Правильность обобщения
- 14. Качественное обобщение zij - j – е значение i-го признака Каждому zij поставим в соответствие булеву
- 15. Алгоритм качественного обобщения.Пример Обучающая выборка a b с d 1 1 1 1 1 2 1
- 16. Алгоритм качественного обобщения.Пример Обучающая выборка a b с d 1 1 1 1 1 a 1
- 17. Алгоритм качественного обобщения.Пример Обучающая выборка +{1,2,3,4,5} a b с d - {6,7,8,9} 1 1 1 1
- 18. Алгоритм качественного обобщения.Пример Обучающая выборка +{1,2,3,4,5} a b с d - {6,7,8,9} 1 1 1 1
- 19. Data Mining (DM) Знания должны быть новые Знания должны быть нетривиальные Знания должны быть практически полезны
- 20. Этапы Data Mining Формулирование задачи анализа Подготовка данных Исходные Применение методов DM, данные построение моделей Проверка
- 21. Задачи Data Mining Классификация Кластеризация Регрессионный анализ Ассоциации
- 23. Скачать презентацию