Informații miniere la Universitatea din Duisburg-Essen Cartele index și rezumate

Cartele index și rezumate pentru extragerea informațiilor la Universitatea din Duisburg-Essen

Aflați acum cu fișe de index și rezumate pentru cursul de miniere de informații de la Universitatea din Duisburg-Essen .

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

Ce este un concept?

universitatea

Lucruri care pot fi învățate

  • Clasificare
  • asociere
  • grupare
  • predicție numerică

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

Care sunt componentele intrării?

  • Concepte
  • Instanțe
  • Atribute

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

Ce sunt instanțele?

exemplele individuale, independente ale unui concept care trebuie învățat

(Sunt posibile forme de intrare mai complicate, cu dependențe între exemple)

Exemple de cărți index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

Ce sunt atributele?

măsurarea aspectelor unei instanțe

  • nominal
  • ordinal
  • interval
  • raport

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

  • prezicerea unei clase discrete
  • supravegheat (schema este furnizată cu rezultatul real)
  • Rezultat = clasa exemplului

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

Care este diferența dintre învățarea prin asociere și clasificare?

  • AL poate prezice valoarea oricărui atribut, nu doar clasa, și mai mult de o valoare a unui atribut la un moment dat
  • Prin urmare: mult mai multe reguli de asociere decât regulile de clasificare
  • Astfel: sunt necesare constrângeri, cum ar fi acoperirea minimă și precizia minimă

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

  • Gruparea instanțelor similare în clustere
  • nesupravegheat (clasa unui exemplu nu este cunoscută)
  • Succesul este adesea măsurat subiectiv

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

  • prezicerea unei mărimi numerice
  • Varianta de învățare a clasificării în care clasa este numerică
  • numită și regresie
  • supravegheat (Schema este furnizată cu valoarea țintă)
  • Măsurați succesul pe datele de testare

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

Generarea unui fișier plat

  • Proces de aplatizare denumit denormalizare (mai multe relații sunt unite pentru a face una)
  • Posibil cu orice set finit de relații finite
  • Problematic: relații fără un număr predefinit de obiecte
  • Rețineți că denormalizarea poate produce regularități false care reflectă structura bazei de date
    • Exemplu: „furnizor” prezice „adresa furnizorului”

Exemple de cărți index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

  • Relațiile infinite necesită recursivitate
  • Tehnicile adecvate sunt cunoscute sub numele de metodă „programare logică inductivă”

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

  • Fiecare exemplu individual cuprinde o pungă (multi-set) de instanțe
    • Toate instanțele sunt descrise de aceleași atribute
  • Scopul învățării: produceți o descriere a conceptului
  • Aplicații importante din lumea reală:
    • predicția activității medicamentului: poate fi privită ca o pungă de diferite aranjamente geometrice ale moleculei medicamentului
    • clasificarea imaginii: imaginea poate fi reprezentată ca o pungă de componente de imagine

Exemple de cărți de index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

Niveluri nominale de măsurare

  • Valorile sunt simboluri distincte
  • Exemplu: atributul „perspectivă” din datele meteo
    • Valori: "însorit", "acoperit", "ploios"
  • Nu este implicată nicio relație între valorile nominale (fără măsurare de ordonare sau distanță)
  • Se pot efectua doar teste de egalitate

Colegi studenți la cursul de minerit informațional de la Universitatea din Duisburg-Essen. Creați și partajați rezumate, flashcards, planuri de învățare și alte materiale de învățare cu aplicația de învățare inteligentă StudySmarter. Alătură-te acum!

Exemple de cărți index pentru extragerea informațiilor la Universitatea din Duisburg-Essen pe StudySmarter:

Ce este un concept?

Lucruri care pot fi învățate

  • Clasificare
  • asociere
  • grupare
  • predicție numerică

Care sunt componentele intrării?

  • Concepte
  • Instanțe
  • Atribute

Ce sunt instanțele?

exemplele individuale, independente ale unui concept care trebuie învățat

(Sunt posibile forme de intrare mai complicate, cu dependențe între exemple)

Ce sunt atributele?

măsurarea aspectelor unei instanțe

  • nominal
  • ordinal
  • interval
  • raport

  • prezicerea unei clase discrete
  • supravegheat (schema este furnizată cu rezultatul real)
  • Rezultat = clasa exemplului

Care este diferența dintre învățarea prin asociere și clasificare?

  • AL poate prezice valoarea oricărui atribut, nu doar clasa, și mai mult de o valoare a unui atribut la un moment dat
  • Prin urmare: mult mai multe reguli de asociere decât regulile de clasificare
  • Astfel: sunt necesare constrângeri, cum ar fi acoperirea minimă și precizia minimă
  • Gruparea instanțelor similare în clustere
  • nesupravegheat (clasa unui exemplu nu este cunoscută)
  • Succesul se măsoară adesea subiectiv
  • prezicerea unei mărimi numerice
  • Varianta învățării clasificării unde clasa este numerică
  • numită și regresie
  • supravegheat (Schema este furnizată cu valoarea țintă)
  • Măsurați succesul pe datele de testare

Generarea unui fișier plat

  • Proces de aplatizare denumit denormalizare (mai multe relații sunt unite pentru a face una)
  • Posibil cu orice set finit de relații finite
  • Problematic: relații fără un număr predefinit de obiecte
  • Rețineți că denormalizarea poate produce regularități false care reflectă structura bazei de date
    • Exemplu: „furnizor” prezice „adresa furnizorului”
  • Relațiile infinite necesită recursivitate
  • Tehnicile adecvate sunt cunoscute sub numele de metodă „programare logică inductivă”
  • Fiecare exemplu individual cuprinde o pungă (multi-set) de instanțe
    • Toate instanțele sunt descrise de aceleași atribute
  • Scopul învățării: produceți o descriere a conceptului
  • Aplicații importante din lumea reală:
    • predicția activității medicamentului: poate fi privită ca o pungă de diferite aranjamente geometrice ale moleculei medicamentului
    • clasificarea imaginii: imaginea poate fi reprezentată ca o pungă de componente ale imaginii

Niveluri nominale de măsurare

  • Valorile sunt simboluri distincte
  • Exemplu: atributul „perspectivă” din datele meteo
    • Valori: "însorit", "acoperit", "ploios"
  • Nu este implicată nicio relație între valorile nominale (fără măsurare de ordonare sau distanță)
  • Se pot efectua doar teste de egalitate

Înregistrați-vă acum gratuit pentru a vedea toate fișele index și rezumatele pentru Minarea informației la Universitatea din Duisburg-Essen

Alte cursuri din programul de studii

Există deja multe cursuri pe StudySmarter pentru cursul dvs. de Minereu de informații la Universitatea din Duisburg-Essen la care vă puteți alătura. Cărți index, rezumate și multe altele vă așteaptă.