Технологии интеллектуального анализа данных. Учебное пособие (Макшанов Андрей Владимирович, Журавлев Антон Евгеньевич) ; Лань, 2018

Введение
1. Информация и данные
1.1. Три уровня анализа информации. Информация и
данные
1.2. Информатика и информационные системы
1.3. Интеллектуальный анализ данных (ИАД)
1.4. Data Mining
1.5. Подсистемы Data Mining
1.6. Контрольные вопросы
2. Системы и модели
2.1. Аналитические модели
2.2. Имитационные модели
2.3. Большие системы
2.4. Модели вместо законов
2.5. Многозначность понятий
2.6. Человек и машина
2.7. Теорема Гёделя
2.8. Генератор случая
2.9. Живое и неживое
2.10. Социо-кибер-физические системы
2.11. Контрольные вопросы
3. Методы матричного анализа
3.1. Системы нелинейных уравнений и матрица
Якоби
3.2. Определение типа экстремума и матрица Гесса
3.3. Функции матричного аргумента
3.4. Системы дифференциальных уравнений
3.5. Скалярные функции матричного аргумента
3.6. Контрольные вопросы
4. Моделирование многомерных данных
4.1. Многомерный нормальный закон
4.1.1. Оценки параметров многомерного
нормального закона
4.2. Моделирование многомерных случайных
данных
4.3. Контрольные вопросы
5. Множественный регрессионный анализ
5.1. Оптимальный среднеквадратический
линейный прогноз
5.2. Множественная регрессия
5.3. Восстановление пропусков в данных
5.4. Контрольные вопросы
6. Метод наименьших квадратов (МНК)
6.1. Точечное оценивание параметров
6.2. Проверка гипотез и доверительное
оценивание
6.3. Контрольные вопросы
7. Целенаправленное проектирование и редукция
размерности
7.1. Главные компоненты и факторный анализ
7.2. Нелинейные главные компоненты
(Проектирование с контрастированием)
7.3. Линейный дискриминантный анализ
7.4. Контрольные вопросы
8. Проверка статистических гипотез и
информационные расстояния
8.1. Критерии значимости. Задача о выборе из
двух гипотез
8.2. Основные критерии нормальной теории
8.3. Аппроксимация распределений статистик
критериев
8.4. Контрольные вопросы
9. Классификация многомерных измерений
9.1. Дискриминантные информанты и
классификация
9.2. Оценка вероятностей ошибочной
классификации
9.3. Классификация на линейных дискриминантных
формах
9.4. Контрольные вопросы
10. Кластерный анализ
10.1. Кластеризация. Выбор метрики
10.2. Метод к средних и EМ-алгоритм
10.3. Иерархическая кластеризация на основе
дендрограммы
10.4. Оценка качества разделения
10.5. Контрольные вопросы
11. Рекуррентные алгоритмы
11.1. Рекуррентное вычисление среднего
11.2. Одномерный линейный фильтр Калмана -
Бьюси
11.3. m-мерный линейный фильтр Калмана
11.4. Варианты определения исходных данных
11.5. Контрольные вопросы
12. Генетические алгоритмы и алгоритмы прямого
поиска
12.1. Назначение и возможности пакета
12.2. Краткие сведения о генетических алгоритмах
12.2.1. Естественный отбор в природе
12.2.2. Что такое генетический алгоритм
12.2.3. Особенности генетических алгоритмов
12.2.4. Структура генетического алгоритма пакета
12.3. Графический интерфейс генетического
алгоритма
12.3.1. Общие правила работы с интерфейсом
12.4. Графические возможности интерфейса
12.4.1. Опции алгоритма
12.4.2. Экспорт и импорт результатов
12.5. Использование генетического алгоритма в
режиме CLI
12.5.1. Использование алгоритма с опциями по
умолчанию
12.6. Описание алгоритма поиска по образцу
12.7. Графический интерфейс алгоритма поиска по
образцу
12.7.1. Общие правила работы с интерфейсом
12.7.2. Экспорт и импорт результатов
12.8. Использование алгоритма поиска по образцу в
CLI
12.8.1. Использование алгоритма с опциями по
умолчанию
12.8.2. Установка требуемых опций
12.9. Контрольные вопросы
13. Непараметрическая статистика
13.1. Сглаживание данных
13.2. Локально-полиномиальное сглаживание
13.2.1. Экспоненциальный фильтр
13.3. Контрольные вопросы
14. Нечеткие вычисления
14.1. Нечеткая информация и выводы
14.2. Нечеткая аппроксимация
14.3. Нечеткая кластеризация
14.4. Контрольные вопросы
15. Сокращение размерности и визуализация
15.1. Главные компоненты и факторный анализ
15.2. Нелинейные главные компоненты
15.3. Линейный дискриминантный анализ
15.4. Контрольные вопросы
16. Прикладной анализ временных рядов
16.1. Построение динамических стохастических
моделей
16.2. Разложение Юла
16.3. Тренд и сезонные составляющие
16.4. Корреляционный и спектральный анализ
16.4.1. Преобразование Фурье
16.5. Анализ случайных процессов
16.5.1. Процессы в линейных системах
16.6. Частота Найквиста и теорема Котельникова
16.7. Быстрое преобразование Фурье (БПФ)
16.8. Дискретные модели стационарных временных
рядов
16.9. Авторегрессия: процессы Маркова и Юла
16.10. Уравнения Юла-Уокера
16.11. Оценивание коэффициентов
параметрических моделей
16.11.1. Оценивание порядка модели
16.12. Прогнозирование
16.13. Контрольные вопросы
Заключение
Список литературы