Details zum E-Book

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

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

Kamila Migdał-Najman, Krzysztof Najman

E-book

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.

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

  • Titel: Samouczące się sztuczne sieci neuronowe w grupowaniu i klasyfikacji danych. Teoria i zastosowania w ekonomii
  • Autor: Kamila Migdał-Najman, Krzysztof Najman
  • ISBN: 978-83-7865-111-6, 9788378651116
  • Veröffentlichungsdatum: 2022-05-05
  • Format: E-book
  • Artikelkennung: e_2qgv
  • Verleger: Wydawnictwo Uniwersytetu Gdańskiego