MED hahaha, uczcie sie wszyscy i dzielcie

Eksploracja danych jest to proces poszukiwania wzorców w dużych zbiorach danych, w celu wydobycia użytecznej wiedzy.

dane - surowo odbierane z otoczenia sygnały wyrażone w prostej postaci (np. wartości liczbowych) informacja - stanowi efekt obróbki danych w taki sposób, że stają się one użyteczne wiedza - jest rezultatem inteligentnego przetwarzania zbiorów danych czy też zasobów informacji i stanowi opis określonego stanowiska lub fragmentu rzeczywistości w pewnym języku

rozumowanie logiczne

automatyczne rozpoznawanie obrazów

tworzenie programów, które same się udoskonalają

prognozowanie

teoria gier

teoria optymalizacji

metody statystyczne

metody numeryczne

logika rozmyta

sztuczne sieci neuronowe

uczenie maszynowe

Eksploracja danych, charakteryzuje się tym, że potrafi dostarczyć odpowiedzi na nie postawione jawnie pytania szukając wzorców co pozwala nam budować wiedzę

Analiza danych pozwala odpowiedzieć nam na zadane pytania oraz dostarczyć nam informacji

Zrozumienie uwarunkowań biznesowych

Zrozumienie danych

Przygotowanie danych

modelowanie

ewaluacja

wdrożenie

Są to systemy przetwarzania danych inspirowane budową i sposobem działania neuronu organizmów.

Sieć neuronowa jest zbudowana z powiązanych ze sobą neuronów. W zależności od sposobu połączenia się neuronów wyróżniamy

sieć jednokierunkowa - struktura warstwowa, przepływ sygnałów odbywa się tylko w jednym kierunku

sieć rekurencyjna - struktura warstwowa, przepływ sygnałów w przeciwnym kierunku ponieważ występują sprzężenia zwrotne

sieć komórkowa - struktura bez warstwy, neurony komunikują się ze swoimi sąsiadami

Istnieją dwa typy algorytmów stosowanych do uczenia się sieci neuronowych, które stosowane są w zależności od rodzaju uzywanej sieci. Występuje uczenie z nauczycielem i bez nauczyciela.

Uczenie z nauczycielem następuje, gdy istnieje możliwość sprawdzenia poprawności informacji wygenerowanych przez sieć.

Uczenie bez nauczyciela, następuje gdy nie znamy odpowiedzi na oczekiwany wzorzec.

Liczba neuronów w warstwie wejściowej sieci jest równa liczbie zmiennych objaśniających. (wejściowych)

Liczba neuronów w warstwie wyjściowej jest zdeterminowana przez liczbę zmiennych objaśnianych (wyjściowych) + od rodzaju problemu

Dobrze jest zacząć od połowy sumy liczby zmiennych wejściowych i wyjściowych.

Funkcja aktywacji wykorzystywana jest do transformacji poziomu aktywacji jednostki (neuronu) w sygnał wyjściowy.

Razem z funkcją potencjału postsynaptycznego (psp) definiuje ona rodzaj jednostki.

Losowa gausowska, losowa równomierna

Epoka to jednorazowe użycie w procesie uczenia wszystkich przypadków uczących zawartych w zbiorze uczącym.

Wagi neuronów modyfikowane są na początku każdej epoki.

W sieciach neuronowych obserwujemy 2-kierunkowy przepływ informacji,

Jeden z nich przechodzi od warstwy wyjściowej do wejściowej, płynie informacja o błędzie wykorzystywana w trakcie uczenia się.

Z uwagi na kierunek przepływu informacji o błędzie, algorytm uczenia nazywany jest wsteczną propagacją błędów

Zbiór uczący wykorzystywany jest do wyuczenia sieci. Przedstawiony model w każdej epoce i przy jego pomocy modyfikowane są wagi.

Zbiór testowy wykorzystywany jest przy wstecznej propagacji błędów. Po każdej epoce pomaga nam określić bieżące wartości błędów.

Zbiór walidacyjny odgrywa kluczową funkcję przy wyborze modelu, co oznacza, że w rzeczywistości uczestniczy on w procesie uczenia sieci.

Zbiór uczący model wykorzystuje cały czas.

Zbiór testowy jest wykorzystywany tyle razy ile jest epok.

Jeżeli spadek błędu jest istotny statystycznie uczymy dalej, jeżeli nie to przerywamy uczenie.

Zbiór testowy ma za zadanie zapobiec efektowi przeuczenia.

Walidacyjny tylko raz jak sieć jest wyuczona do oceny jakości modelu.

Pojawiające się w trakcie uczenia sieci zjawisko polegające na nadmiernym dopasowaniu się sieci do punktów uczących, któremu towarzyszy błędne działanie sieci dla danych nie prezentowanych w trakcie uczenia (sieć nie posiada zdolności do generalizacji zdobytej wiedzy). Przeuczenie pojawia się w przypadku zbyt długiego uczenia (działania algorytmu uczącego) lub wówczas, gdy zastosowana sieć jest zbyt złożona w porównaniu ze złożonością problemu lub liczbą dostępnych danych uczących. przeuczone sieci moznarozpoznac przez to ze ciaglezwiekszasie liczba bledow

Prawidłowo skonstruowana siec i nauczona sieć neuronowa potrafi dawać rozsądne odpowiedzi nie tylko na sygnały wejściowe wchodzące w skład ciągu uczącego ale również na inne wzorce wejściowe, które nie były wcześniej

Jednak uzyskanie tej zdolności wymaga należytej staranności na etapie budowy i uczenia sieci