Samouczące się sztuczne sieci neuronowe w grupowaniu i klasyfikacji danych. Teoria i zastosowania w ekonomii

• Druk: Gdańsk, 2013
• Autor: Kamila Migdał Najman, Krzysztof Najman
• Wydawca: Wydawnictwo Uniwersytetu Gdańskiego

Prezentowana książka składa się z dwóch zasadniczych części. Część pierwsza ma charakter teoretyczny. Omawia genezę, rozwój, podstawy empiryczne i teoretyczne procesu klasyfikacji i grupowania danych. Jest pełna faktów, anegdot i własnych przemyśleń autorów.
Część druga książki jest poświęcona szerokim badaniom teoretycznym, symulacyjnym i empirycznym nad własnościami samouczących się sieci neuronowych w grupowaniu danych społeczno-ekonomicznych. Szczegółowo omówiono algorytm budowy i samouczenia się trzech modeli sztucznych sieci neuronowych: SOM (Self Organizing Map), GNG (Growing Neural Gas) i sieci hybrydowej SOM-GNG. Zaproponowano także ich modyfikacje zwiększające zdolność badanych sieci do poprawnego wyróżniania istniejących skupień.
W książce położono szczególny nacisk na możliwie prosty i przejrzysty opis często złożonych zjawisk. Poza koniecznym formalizmem matematycznym autorzy posługują się wieloma zaawansowanymi metodami wizualizacji omawianych zagadnień. Dzięki temu, mimo naukowego charakteru książki, może ona stanowić wartościowy podręcznik dla bardziej zaawansowanych studentów, praktyków i naukowców nie będących specjalistami w zakresie klasyfikacji i grupowania danych.

• Kategorie:
  1. Ebooki i Audiobooki »
  2. Ebooki »
  3. Ekonomia, biznes
• Język wydania: polski
• ISBN: 978-83-7865-111-6
• ISBN druku: 978-83-7865-111-6
• Liczba stron: 414

Wstęp 9

1. Istota oraz cele grupowania i klasyfikacji danych	19

1.1. Cele grupowania i klasyfikacji danych	19
1.2. Klasyfikacja – rys historyczny	23
1.3. Rozwój taksonomii numerycznej	31
1.4. Klasyfikacja a grupowanie	39
1.5. Klasyfikacja metod grupowania	45
1.6. Metody i algorytmy grupowania	50

2. Ocena struktury grupowej jednostek	59

2.1. Problem oceny jakości struktury grupowej jednostek	59
2.2. Ocena jakości struktury grupowej jednostek w oparciu o kryterium zewnętrzne	62
2.3. Ocena jakości struktury grupowej jednostek w oparciu o kryterium wewnętrzne	74
2.4. Ocena jakości struktury grupowej jednostek w oparciu o kryterium względne	86
2.4.1. Klasyfikacja metod ustalania liczby skupień	86
2.4.2. Charakterystyka wybranych wskaźników oceny jakości grupowania	92

3. Sztuczna inteligencja	103

3.1. Istota inteligencji	103
3.2. Historia badań nad sztuczną inteligencją	109
3.3. Budowa i metody uczenia neuronu matematycznego	122
3.4. Pojęcie i metody uczenia sztucznych sieci neuronowych	124
3.5. Klasyfikacja topologii sztucznych sieci neuronowych	125

4. Przygotowanie danych do grupowania i klasyfikacji	131

4.1. Etapy przygotowania danych	131
4.2. Kontrola materiału statystycznego	134
4.3. Imputacja braków danych	137
4.4. Transformacja danych	142
4.5. Redukcja jednostek i cech zmiennych	143
4.6. Wybór cech zmiennych	147

5. Samoucząca się sieć neuronowa typu SOM	155

5.1. Mapa samoorganizująca się Kohonena	155
5.2. Proces samouczenia się sieci SOM	158
5.2.1. Struktura sieci SOM	158
5.2.2. Algorytm samouczenia się sieci SOM	163
5.3. Ocena jakości odwzorowania jednostek na sieci SOM	169
5.3.1. Graficzna ocena jakości odwzorowania	169
5.3.2. Formalna ocena jakości odwzorowania	173
5.4. Własności sieci SOM w grupowaniu danych	176
5.4.1. Analiza wpływu struktury sieci SOM na jakość grupowania	176
5.4.2. Analiza wpływu rodzaju inicjalizacji sieci SOM na jakość grupowania	184
5.4.3. Analiza wpływu wartości nietypowych i zaszumienia danych na jakość grupowania	188
5.4.4. Analiza czynników wpływających na szybkość procesu samouczenia się sieci SOM	195
5.4.5. Analiza wpływu liczby cech na zdolność sieci SOM do wyróżniania skupień	202
5.5. Problemy w stosowaniu sieci SOM	214
5.6. Dalsze kierunki badań	220
5.7. Zastosowanie sieci SOM do wyboru oferty na wtórnym rynku nieruchomości	223

6. Samoucząca się sieć neuronowa typu GNG	233

6.1. Gaz neuronowy o zmiennej strukturze	233
6.2. Algorytm budowy i samouczenia się sieci GNG	234
6.3. Własności procesu samouczenia się sieci GNG	237
6.4. Własności sieci GNG w grupowaniu danych	242
6.5. Problemy w stosowaniu sieci GNG	261
6.6. Modyfikacje algorytmu budowy i samouczenia się sieci GNG	263
6.7. Sieć GNG w dynamicznym grupowaniu danych	267
6.8. Dalsze kierunki badań	281
6.9. Zastosowanie sieci GNG do wyboru klientów w sprzedaży bezpośredniej	283

7. Hybrydowa samoucząca się sieć neuronowa typu SOM-GNG	291

7.1. Niedoskonałości sieci SOM i GNG w wyróżnianiu skupień	291
7.2. Idea samouczących się sieci hybrydowych	294
7.2.1. Idea sieci hybrydowej SOM-GNG	294
7.2.2. Budowa hybrydowej samouczącej się sieci SOM-GNG	295
7.3. Inne sieci hybrydowe oparte na sieci SOM	299
7.4. Własności sieci hybrydowych w grupowaniu danych	304
7.5. Empiryczne zastosowania hybrydowej sieci SOM-GNG	317
7.5.1. Badania preferencji i zwyczajów zakupowych	317
7.5.2. Zastosowanie sieci SOM-GNG w poszukiwaniu wzorców zakupowych	319
7.5.3. Problem filtrowania spamu	332
7.5.4. Zastosowanie sieci SOM-GNG do rozwiązania problemu filtrowania spamu	335

Wnioski	345

Aneks 1. Strona tytułowa oryginalnej dokumentacji programu naukowego ENIAC 349 
Aneks 2. Charakterystyka zbiorów testowych	351
Aneks 3. Wykorzystane oprogramowanie	355

Bibliografia	365

Wykaz tablic, rysunków, schematów oraz wykresów	405
Tablice	405
Rysunki	407
Schematy	410
Wykresy	411

Indeks	413