Data mining IIb - modele i metody

Kurs jest przeznaczony dla wszystkich, którzy chcą bliżej poznać specjalistyczne metody data mining, tak aby móc wydobyć z danych maksymalnie dużo użytecznej wiedzy. W trakcie kursu prezentowane są wybrane techniki data mining (m.in. drzewa klasyfikacyjne i regresyjne, sieci neuronowe). Kurs "Data mining II - modele i metody" jest kontynuacją i rozwinięciem kursu "Data mining I - kurs podstawowy".

Wymagania: umiejętność obsługi komputera w środowisku Windows, znajomość podstaw data mining i systemu STATISTICA Data Miner. Zalecamy wcześniejszy udział w kursach Data mining I - kurs podstawowy oraz Data mining II a - metody bez nauczyciela.

Kontynuacją mogą być np. kursy: Data mining III - STATISTICA Data Miner dla zaawansowanych, Prognozowanie w STATISTICA Data Miner, Prognozowanie i analiza szeregów czasowych, Analizy wielowymiarowe, Metody statystyczne w marketingu i badaniach rynku, Badanie satysfakcji i wartości klienta , Prognozowanie w przedsiębiorstwie, STATISTICA dla medyków - metody zaawansowane, Sieci neuronowe, Automatyzacja analiz i raportowania w STATISTICA, Metodyki data mining, Text mining.

Terminy: 30-31.05-01.06.2012

Program kursu

Drzewa klasyfikacyjne i regresyjne
- Drzewa klasyfikacyjne CART w pakiecie STATISTICA Data Miner
- Drzewa klasyfikacyjne CHAID w pakiecie STATISTICA Data Miner
  - Rodzina algorytmów drzewkowych z rodziny AID (Automatic Interaction Detection)
  - CHAID w pakiecie STATISTICA Data Miner
- Drzewa regresyjne w pakiecie STATISTICA Data Miner
  - Regresyjne właściwości algorytmu CART
Sieci neuronowe
- Wprowadzenie w problematyką sieci neuronowych
  - Funkcjonowanie neuronu
  - Budowa i funkcjonowanie sztucznych sieci neuronowych
  - Rodzaje sztucznych sieci neuronowych
  - Klasyfikacja problemów rozwiązywanych za pomocą modeli neuronowych
- Neuronowe metody rozwiązywania problemów regresyjnych
  - Charakterystyka przykładowego problemu
  - Tworzenie modelu regresyjnego wykorzystującego sieć perceptronową
  - Tworzenie modelu regresyjnego wykorzystującego sieć o radialnych funkcjach bazowych (sieć RBF)
  - Tworzenie modelu regresyjnego wykorzystującego liniową sieć neuronową
  - Metody uruchamiania modeli regresyjnych
  - Łączne wykorzystanie modeli (zespoły modeli)
  - Poszukiwanie najlepszego modelu regresyjnego
- Rozwiązywanie problemów z zakresu klasyfikacji wzorcowej
  - Charakterystyka przykładowego problemu
  - Definicja modelu opartego na sieci MLP
  - Ocena jakości modelu klasyfikacyjnego
MARSplines
- Wprowadzenie
- Koncepcja metody
- Uogólnione modele addytywne i metoda MARS
- Krzywe sklejane (splines)
- Algorytm
Moduł Inne Metody Uczenia Maszyn oraz zespoły modeli
- Metoda wektorów wspierających (Support Vector Machines - SVM)
  - Idea SVM
  - SVM dla zadań regresyjnych
  - Metoda SVM w systemie STATISTICA Data Miner
- Naiwny klasyfikator Bayesa
  - Opis metody
  - Naiwny klasyfikator Bayesa w STATISTICA Data Miner
- Metoda k najbliższych sąsiadów
- Zespoły modeli
  - Ogólne wprowadzenie
  - Bagging i Losowy las (Random Forest)
  - Drzewa ze wzmacnianiem (Boosted Trees)

Data mining II b - modele i metody