Анализ данных и процессов - Излагаются основные направления в области разработки систем: организация хранилищ данных, оперативный (OLAP) и интеллектуальный (Data Mining) анализ данных. В третьем издании по сравнению со вторым, выходившем под названием "Технологии анализа данных: Data Mining, Text Mining, Visual Mining, OLAP", добавлены визуальный (Visual Mining) и текстовый (Text Mining) анализ данных, анализ процессов (Process Mining), анализ Web-ресурсов (Web mining) и анализ в режиме реального времени (Real-Time Data Mining). Приведено описание методов и алгоритмов решения основных задач анализа: классификации, кластеризации и др. Описание идеи каждого метода дополняется конкретным примером его использования.
Название: Анализ данных и процессов. 3-е издание Автор: Барсегян А. А., Куприянов М. С., Холод И. И., Тесс М. Д., Елизаров С. И. Издательство: БХВ-Петербург Год: 2009 Страниц: 512 Формат: PDF Размер: 7,22 МБ ISBN: 978-5-9775-0368-6 Качество: Отличное Серия или Выпуск: Учебная литература для вузов Язык: Русский
Содержание:
Предисловие авторов Data Mining и перегрузка информацией Глава 1. Системы поддержки принятия решений 1.1. Задачи систем поддержки принятия решений 1.2. Базы данных - основа СППР 1.3. Неэффективность использования OLTP-систем для анализа данных Выводы Глава 2. Хранилище данных 2.1. Концепция хранилища данных 2.2. Организация ХД 2.3. Очистка данных 2.4. Концепция хранилища данных и анализ Выводы Глава 3. OLAP-системы 3.1. Многомерная модель данных 3.2. Определение OLAP-систем 3.3. Концептуальное многомерное представление 3.4. Архитектура OLAP-систем Выводы Глава 4. Интеллектуальный анализ данных 4.1. Добыча данных - Data Mining 4.2. Задачи Data Mining 4.3. Практическое применение Data Mining 4.4. Модели Data Mining 4.5. Методы Data Mining 4.6. Процесс обнаружения знаний 4.7. Управление знаниями (Knowledge Management) 4.8. Средства Data Mining Выводы Глава 5. Классификация и регрессия 5.1. Постановка задачи 5.2. Представление результатов 5.3. Методы построения правил классификации 5.4. Методы построения деревьев решений 5.5. Методы построения математических функций 5.6. Прогнозирование временных рядов Выводы Глава 6. Поиск ассоциативных правил 6.1. Постановка задачи 6.2. Представление результатов 6.3. Алгоритмы Выводы Глава 7. Кластеризация 7.1. Постановка задачи кластеризации кластеризации 7.2. Представление результатов 7.3. Базовые алгоритмы кластеризации 7.4. Адаптивные методы кластеризации Выводы Глава 8. Визуальный анализ данных - Visual Mining 8.1. Выполнение визуального анализа данных 8.2. Характеристики средств визуализации данных 8.3. Методы визуализации Выводы Глава 9. Анализ текстовой информации - Text Mining 9.1. Задача анализа текстов 9.2. Извлечение ключевых понятий из текста 9.3. Классификация текстовых документов 9.4. Методы кластеризации текстовых документов 9.5. Задача аннотирования текстов 9.6. Средства анализа текстовой информации Выводы Глава 10. Стандарты Data Mining 10.1. Кратко о стандартах 10.2. Стандарт CWM 10.3. Стандарт CRISP 10.4. Стандарт PMML 10.5. Другие стандарты Data Mining Выводы Глава 11. Библиотека Xelopes 11.1. Архитектура библиотеки 11.2. Диаграмма Model 11.3. Диаграмма Settings 11.4. Диаграмма Attribute 11.5. Диаграмма Algorithms 11.6. Диаграмма DataAccess 11.7. Диаграмма Transformation 11.8. Примеры использования библиотеки Xelopes Выводы Глава 12. Распределенный анализ данных 12.1. Системы мобильных агентов 12.2. Использование мобильных агентов для анализа данных 12.3. Система анализа распределенных данных Выводы Глава 13. Data Mining в реальном времени (Real-Time Data Mining) 13.1. Идея Data Mining в реальном времени 13.2. Рекомендательные машины 13.3. Инструменты Data Mining в реальном времени Выводы Глава 14. Извлечение знаний из Web - Web Mining 14.1. Web Mining 14.2. Методы извлечения Web-контента 14.3. Извлечение Web-структур 14.4. Исследование использования Web-ресурсов Выводы Глава 15. Средства анализа процессов - Process Mining 15.1. Автоматизация выполнения бизнес-процессов 15.2. Анализ процессов 15.3. Методы Process Mining 15.4. Библиотека алгоритмов Process Mining - ProM Выводы Приложения Приложение 1. Нейронечеткие системы П1.1. Способы интеграции нечетких и нейронных систем П1.2. Нечеткие нейроны П1.3. Обучение методами спуска П1.4. Нечеткие схемы рассуждений П1.5. Настройка нечетких параметров управления с помощью нейронных сетей П1.6. Нейронечеткие классификаторы Приложение 2. Особенности и эффективность генетических алгоритмов П2.1. Методы оптимизации комбинаторных задач различной степени сложности П2.2. Сущность и классификация эволюционных алгоритмов П2.3. Классификация генетических алгоритмов П2.4. Особенности генетических алгоритмов, предпосылки для адаптации П2.5. Классификация адаптивных ГА П2.6. Двунаправленная интеграция ГА и нечетких алгоритмов продукционного типа Приложение 3. Описание прилагаемого компакт-диска Список литературы Предметный указатель