86598 IMAGE7
jednak najczęściej są kojarzone ze sztuczną inteligencją, a ściślej z komputerowymi metodami uczenia się. Dlatego są mało znane w środowisku statystyków i ekonometryków. Zadaniem książki jest przybliżenie ich osobom zainteresowanym problemami klasyfikacji danych i spojrzenie na niejako na metody komplementarne w stosunku do klasycznych metod statystycznych.
Książka została podzielona na cztery części, z których każda składa się z kilku rozdziałów.
Metody symboliczne, omawiane w II i m części na początku każdego rozdziału są charakteryzowane w sposób ogólny, a następnie naiważrii.ei§ze3 z nich są przedstawiane bardziej szczegółowo — podany jest precyzyjnie algorytm Sghj działania, gro. umożliwia zainteresowanemu Czytelnikó^] samodzielne napisanie: odpowiedniego programu komputerowegortDodąt-kowo na końcu każdego rozdziału zamieszczono przykłady ilustrujące ich praktyczne użycie Oraz postać rezultatów klasyfikacji^Nalęży zaznaczj^ że- kryterium wyboru metod była ich oryginalność, efekty wność, liczba zastosowań oraz wpływ na kierunek dalszych badań.
I część książki składa się. z dwóch rozdziałów, i jest’ poświęcona klasycznym, numerycznym metodom klasyfikacji danych, tj. taksonometni oraz analizie dyskryminacyjnej. Poza przedstawieniem';iph podstawowych własności;, szczególną, uwagę .zwrócono na ograniczenia i wymagania w^tosunku^dairdanyc^^ji^na to, co wpływa na zawężenie -ipolai'-’ zastosowań;
Zadaniem rozdziału 2 jest omówienie metod taksonomii numeryfczpejK: Znaczną jego część poświęcono omówieniu ograniczeń taksonometni związanych z charakterem miar podobieństwa i odległości, brakiem formalnej definicji skupienia, trudnościami interpretacji wyników, wymaganiami stawianymi, danym itd.
Rozdział 3 poświęcono klasyfikacji wzorcowej, tj. analizie, dys-r kryminacyjnej. Przedstawiono w nim nxętjo»<^ przy czym większą uwagę zwrócono na liniowe funkcje dyskryminacyjnej Przypomniano idós^duże-iwymagania, jakie stawiają one danym re-r prezentującym cechy ' klasyfikowanych' obiektów, są to normalność ich rozkładu oraz równość macierzy' wariancji ikowariancji:w poszczególnych klasachit!.-
• U część książki składa się z czterech rozdziałów omawiających symboliczne metody taksonomii.
Rozdział 4 zawiera charakterystykę metod taksonomii symbolicznej;
oraz znanych z literatury algorytmów klasyfikacyjnych. Wprowadzono też pojęcie obiektu symbolicznego oraz formalny sposób opisu obiektów, który jest stosowany w pozostąłych częściach-książki. W rozdziale tym znajduje się także omówienie wypracowanych w ramach psychologii różnych teorii konstruowania pojęć.
W rozdziale 5 znajduje się charakterystyka iteracyjnoroptymalizaeyjr nych metod taksonomii symbolicznej. Dokonano tam szczegółowej analizy dwóch najbardziej znanych w literaturze algorytmów: CLUSTER oraz WITT, pokazując ich zalety oraz wady.
Rozdział 6 prezentują obszerną charakterystykę me^ hierarehieziiych w ramach taksonomii symbolicznej. Omóydono^w nyu^zarówno algorytmy podziałowe,: jak i, najbardziej liczne, sekwencyjne.- Bardziej szczegółowo przedstawiono algorytm WEB oraz jego modyfikacje..
Metody tworzące klasy nierozłączne omówiono w rozdziale 7. Ta algorytmów jest bardzo nieliczna, zarówno, w klasycznej, taksono-metrii jak i w taksonomii symbolicznej. Ż tego powodu szczególną uwagę zwrócono na algorytm UNIMEM oraz metodę piramid.
HI książki, składająca się z dwóch rozdziałów, poświęcona jest symbQUtemg^etodom.klasyfikaęji wzorcowej, narwanym też uczeniem znauęzyaelemń(*
W. mzdzi^^^OmÓ^dóno sposoby tworzenia reguł klasyfikacji: obiektów na podstawie próby uczącej . Reguły te mogą mieć postać albo koniunkcyj-ną, albo dysjunkcyjną; te drugie^mają znacznie większe zastosowanie praktyczne. Przede wszystkim zwrócono uwagę na metody AQ oraz CN2, chociaż pokazano też algorytmy mnigj znane, tj. HCV oraz PVM.
Rozdział 9 w całości poświęcono drzewom klasyfikacyjnym* Ta grupa metod szczegójnie często znajduje praktyczne zastosowanie ze względu ną; prostotę i precyzję klasyfikacji. W rozdziale tym przedstawiono zarówno metody tworzenia, jak i porządkowania drzew klasyfikacyjnych; dużo miejsca poświęcając; takim algorytmom, jak CART, ID3 czy C4.
Ostatnia, IV część książki zawiera przykłady praktycznych zastosowali symboUczjiych metod klasyfikacji oraz omówienie wykorzystanych programów komputerowych: ■;
W rozdziale 10 pokazano najbardziej znane zastosowania symbolicznych metod klasyfikacji, m.in. na przykładzie dwóch projektów realizowanych w ramach programu ESPRTT. Ponadto omawiane metody stanowią ważny element rozwijającej się ostatnio eksploatacji danych. Przedstawiono także rezultaty klasyfikacji danych prowadzonej przez autora w ramach
11
Wyszukiwarka
Podobne podstrony:
Przegląd algorytmów sztucznej inteligencji... 251 komputerowi agenci starali się naśladować zachowan
grupa II a Egzamin ze Sztucznej Inteligencji - Grupa IIZadl: Narysuj Neuron McCullocha-Pittsa z wejś
grupa IV a Egzamin ze Sztucznej Inteligencji - Grupa IV Zadl: Narysuj Neuron McCullocha-Pittsa z wej
Wstęp do Metod Sztucznej Inteligencji drugi. Bardzo szybko okazało się, że nie potrafimy znaleźć
grupa III a Egzamin ze Sztucznej Inteligencji - Grupa 111Zadl: Narysuj Neuron McCullocha-Pittsa * we
Seci neuronowe SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
image20 szans na rozwój, niestety realia są takie, że trzeba wyjechać za granicę, jeśli chce się zos
nowych zadań i nowych warunków życia. Ze sztuczną inteligencją wiąże się jedynie określony
S5001375 (2) Fot. 48. Starszy chłopiec ze szkoły dla dzieci z poważnymi trudnościami w uczeniu się p
więcej podobnych podstron