Információbányászat a Duisburg-Essen Egyetemen Indexkártyák és összefoglalók
Indexkártyák és összefoglalók az információbányászathoz a Duisburg-Essen Egyetemen
Tanuljon most indexkártyákkal és összefoglalókkal a Duisburg-Essen Egyetem Információs Bányász tanfolyamához .
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
Mi a fogalom?
Tanulható dolgok
- Osztályozás
- Egyesület
- csoportosulás
- numerikus jóslat
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
Melyek az input összetevői?
- Fogalmak
- Példányok
- Attribútumok
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
Mik a példák?
a megtanulandó koncepció egyéni, független példái
(A bemenet bonyolultabb formái, a példák közötti függőségekkel lehetségesek)
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
Mik azok az attribútumok?
egy példány szempontjainak mérése
- névleges
- sorrendi
- intervallum
- hányados
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
- diszkrét osztály előrejelzése
- felügyelt (a rendszer tényleges eredménnyel van ellátva)
- Eredmény = a példa osztálya
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
Mi a különbség az asszociációs és az osztályozási tanulás között?
- Az AL képes megjósolni minden attribútum értékét, nemcsak az osztályt, és egyszerre több attribútum értékét is
- Ennélfogva: sokkal több asszociációs szabály, mint osztályozási szabály
- Így: korlátozásokra van szükség, például minimális lefedettségre és minimális pontosságra
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
- Hasonló példányok csoportosítása klaszterekbe
- felügyelet nélkül (A példa osztálya nem ismert)
- A siker gyakran szubjektíven mérhető
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
- numerikus mennyiség előrejelzése
- Az osztályozási tanulás változata, ahol az osztály numerikus
- regressziónak is nevezik
- felügyelt (a rendszer célértékkel van ellátva)
- Mérje meg a sikert a tesztadatok alapján
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
Lapos fájl létrehozása
- Az ellapítás folyamata, amelyet denormalizációnak nevezünk (több kapcsolatot összekapcsolunk, hogy létrejöjjön egy)
- A véges kapcsolatok tetszőleges halmazával lehetséges
- Problémás: kapcsolatok előre megadott számú objektum nélkül
- Ne feledje, hogy a denormalizálás hamis törvényszerűségeket eredményezhet, amelyek tükrözik az adatbázis felépítését
- Példa: a "beszállító" megjósolja a "beszállító címet"
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
- A végtelen kapcsolatok rekurziót igényelnek
- A megfelelő technikákat "induktív logikai programozás" metódusként ismerik
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
- Minden egyes példa tartalmaz egy zsákot (több készletet) a példányokból
- Az összes példányt ugyanazok az attribútumok írják le
- A tanulás célja: készítsen koncepcióleírást
- Fontos valós alkalmazások:
- gyógyszeraktivitás-előrejelzés: a gyógyszermolekula különböző geometriai elrendezésének zsákjaként tekinthető
- képosztályozás: a kép képalkotó elemek zsákjaként ábrázolható
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
Névleges mérési szintek
- Az értékek külön szimbólumok
- Példa: az "outlook" attribútum az időjárási adatokból
- Értékek: "napos", "borult", "esős"
- A névleges értékek között nincs összefüggés (nincs sorrend vagy távolságmérés)
- Csak egyenlőségi tesztek hajthatók végre
Diáktársak az információbányász tanfolyamon a Duisburg-Essen Egyetemen. Hozzon létre és osszon meg összefoglalókat, kártyákat, tanulási terveket és egyéb tananyagokat az intelligens StudySmarter tanulási alkalmazással. Csatlakozz most!
Példa indexkártyák információbányászatra a Duisburg-Essen Egyetemen a StudySmarter-en:
Mi a fogalom?
Tanulható dolgok
- Osztályozás
- Egyesület
- csoportosulás
- numerikus jóslat
Melyek az input összetevői?
- Fogalmak
- Példányok
- Attribútumok
Mik a példák?
a megtanulandó koncepció egyéni, független példái
(A bemenet bonyolultabb formái, a példák közötti függőségekkel lehetségesek)
Mik azok az attribútumok?
egy példány szempontjainak mérése
- névleges
- sorrendi
- intervallum
- hányados
- diszkrét osztály előrejelzése
- felügyelt (a rendszer tényleges eredménnyel van ellátva)
- Eredmény = a példa osztálya
Mi a különbség az asszociációs és az osztályozási tanulás között?
- Az AL képes megjósolni minden attribútum értékét, nemcsak az osztályt, és egyszerre több attribútum értékét is
- Ennélfogva: sokkal több asszociációs szabály, mint osztályozási szabály
- Így: korlátozásokra van szükség, például minimális lefedettségre és minimális pontosságra
- Hasonló példányok csoportosítása fürtökbe
- felügyelet nélkül (A példa osztálya nem ismert)
- A siker gyakran szubjektíven mérhető
- numerikus mennyiség előrejelzése
- Az osztályozási tanulás változata, ahol az osztály numerikus
- regressziónak is nevezik
- felügyelt (a rendszer célértékkel van ellátva)
- Mérje meg a sikert a tesztadatok alapján
Lapos fájl létrehozása
- Az ellapítás folyamata, amelyet denormalizációnak nevezünk (több kapcsolatot összekapcsolunk, hogy létrejöjjön egy)
- A véges kapcsolatok tetszőleges halmazával lehetséges
- Problémás: kapcsolatok előre megadott számú objektum nélkül
- Ne feledje, hogy a denormalizálás hamis szabályszerűségeket eredményezhet, amelyek tükrözik az adatbázis felépítését
- Példa: a "beszállító" megjósolja a "beszállító címet"
- A végtelen kapcsolatok rekurziót igényelnek
- A megfelelő technikákat "induktív logikai programozás" metódusként ismerik
- Minden egyes példa tartalmaz egy zsákot (több készletet) a példányokból
- Az összes példányt ugyanazok az attribútumok írják le
- A tanulás célja: készítsen koncepcióleírást
- Fontos valós alkalmazások:
- gyógyszeraktivitás-előrejelzés: a gyógyszermolekula különböző geometriai elrendezésének zsákjaként tekinthető
- képosztályozás: a kép képalkotó elemek zsákjaként ábrázolható
Névleges mérési szintek
- Az értékek külön szimbólumok
- Példa: az "outlook" attribútum az időjárási adatokból
- Értékek: "napos", "borult", "esős"
- A névleges értékek között nincs összefüggés (nincs sorrend vagy távolságmérés)
- Csak egyenlőségi tesztek hajthatók végre
Regisztráljon most ingyen, hogy megtekinthesse a Duisburg-Essen Egyetem összes információs bányászati indexkártyáját és összefoglalóját
Egyéb kurzusok a diplomádból
Információbányász tanfolyamként a Duisburg-Essen Egyetemen már sok olyan tanfolyam található a StudySmarteren, amelyhez csatlakozhat. Indexkártyák, összefoglalók és még sok más várja Önt.