第五章機器學習-資料下載頁
2025-08-01 13:15本頁面
【正文】 證明 3)發(fā)現的是人們感興趣的知識，且一般是從大量的數據中提煉出抽象的知識 4)發(fā)現的知識可接受、可理解、可運用 5)不要求發(fā)現通用知識，僅支持特定的問題 6)需綜合運用統(tǒng)計學、粗糙集、模糊數學、機器學習和專家系統(tǒng)、神經網絡、可視化等多學科的手段與方法 第五章 機器學習 第六節(jié) 數據挖掘與知識發(fā)現 三、最常發(fā)現的知識 廣義型知識 (Generalization) 根據數據的微觀特性發(fā)現其表征的、帶有普遍性的、較高層次概念的、中觀和宏觀的知識 分類型知識 (Classification amp。Clustering) 反映同類事物共同性質的特征型知識和不同事物之間差異型特征知識 關聯型知識 (Association) 反映一個事件和其它事件之間依賴或關聯的知識 預測型知識 (Prediction) 通過時間序列型數據，由歷史和當前的情況去預測未來的情況 第五章 機器學習 第六節(jié) 數據挖掘與知識發(fā)現 四、最有影響的發(fā)現算法 概念樹提升算法 Simon Fraster大學 關聯算法 IBM R Agrawal 分類算法 C5/ Quinlan 遺傳算法 E. Godman 第五章 機器學習 第六節(jié) 數據挖掘與知識發(fā)現 五、知識發(fā)現過程 數據準備 數據選取、數據預處理、數據變換 數據挖掘階段 結果解釋和評價 六、活躍的應用領域 市場營銷 金融與銀行業(yè) 電信、交通和保險業(yè) 政府和防衛(wèi)部分 商務智能 (業(yè)務智能， BI) 將數據變?yōu)橹R，并將知識變?yōu)樯虡I(yè)效益 第五章 機器學習 第六節(jié) 數據挖掘與知識發(fā)現 七、 21世紀初 DMKD研究課題 定性值和定量值之間的轉換 a)自然語言在人類思維中具有不可替代性 b)人工智能的最基本問題 —— 知識表示 c)Fuzzy Sets, Rough Sets d)從定性到定量的綜合集成 數據倉庫技術 數據倉庫是面向主題的、集成的、與時間關聯的、相對穩(wěn)定的、支持決策制定過程的數據集合。它從大量的事務數據庫中抽取數據，通過轉換形成統(tǒng)一的格式。 第五章 機器學習 第六節(jié) 數據挖掘與知識發(fā)現 七、 21世紀初 DMKD研究課題 數據立方體代數 把多維數據模式中的某一屬性作為觀察對象，稱為維 (Dimension)。維可以有層次結構。將反映對象特征的屬性稱為指標 (measure)，這樣的結構稱為數據立方體 (Data Cube)。 數據立方體的實體化是指預先執(zhí)行某些計算，存儲計算結果，在數據分析時直接使用。 Text Mining Web Mining Data Mining for Audio amp。Video 第五章 機器學習 第六節(jié) 數據挖掘與知識發(fā)現 七、 21世紀初 DMKD研究課題 發(fā)現語言的形式化描述 可視化、交互式發(fā)現 發(fā)現知識的維護更新 思考題 ? 學習的基本機制和主要作用是什么？試舉例說明。 ? 歸納學習的基本思想是什么？如何在特定的應用領域應用歸納學習方法？如何評價歸納學習效果？ ? 類比學習的基本思想是什么？如何在特定的應用領域應用類比學習方法？ ? 遺傳學習的基本機制是什么？應用遺傳學習方法的關鍵點有哪些？為什么？ ? 你認為“數據挖掘與知識發(fā)現”方法是一種學習方法嗎？為什么？
法律信息相關推薦
鄂ICP備17016276號-1