Κατηγοριοποίηση και Πρόβλεψη

• Κύριοι συγγραφείς: Verykios, Vasileios, Kagklis, Vasileios, Stavropoulos, Ilias, Βερύκιος, Βασίλειος, Καγκλής, Βασίλειος, Σταυρόπουλος, Ηλίας
• Μορφή: 7
• Γλώσσα: Greek
• Έκδοση: 2016
• Θέματα: ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ; ΣΤΑΤΙΣΤΙΚΗ; ΕΠΙΣΤΗΜΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ; ΑΝΑΛΥΣΗ ΜΕΓΑΛΩΝ ΔΕΔΟΜΕΝΩΝ; ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ; ΔΕΝΤΡΑ ΑΠΟΦΑΣΗΣ; ΚΑΝΟΝΕΣ ΣΥΣΧΕΤΙΣΗΣ; ΚΑΤΗΓΟΡΙΟΠΟΙΗΣΗ; ΣΥΣΤΑΔΟΠΟΙΗΣΗ; ΚΑΘΑΡΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ; ΑΝΑΛΥΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ; Data Mining; Statistics; Data Science; Big Data Analytics; Machine Learning; Decision Trees; Association Rules; Classification; Clustering; Data Cleaning; NoSQL Databases; OLAP; Hadoop; Mapreduce

Ο βασικός στόχος αυτού του κεφαλαίου είναι η εισαγωγή και η εκβάθυνση στην έννοια της κατηγοριοποίησης η οποία έχει σαν σκοπό την επαγωγή ενός μοντέλου κατηγοριοποίησης με τη χρήση ενός συνόλου εκπαίδευσης και ενός αλγόριθμου μάθησης, μέσω του οποίου μπορεί να γίνει η ανάθεση τιμών στο γνώρισμα της κατηγορίας σε μη κατηγοριοποιημένες εγγραφές. Υπάρχουν διαφόρων ειδών μοντέλα κατηγοριοποίησης, όπως κανόνες, λίστες, δέντρα απόφασης, σύνολο υποδειγμάτων ή παραδειγμάτων δεδομένων, νευρωνικά δίκτυα, μέθοδοι ομάδων κτλ. Σε αυτό το κεφάλαιο θα ασχοληθούμε με την επαγωγή μοντέλων δέντρων απόφασης, και κα δούμε τα μέτρα μη-καθαρότητας και τις τεχνικές διάσπασης που χρησιμοποιούνται για την ανάπτυξη των δέντρων αυτών.<br/>Η εξοικείωση με θέματα που αφορούν την επαγωγή δέντρων απόφασης όπως είναι η υπερπροσαρμογή ή υποπροσαρμογή ενός μοντέλου στα δεδομένα, ο υπολογισμός του λάθους γενίκευσης ενός μοντέλου με διαφορετικούς τρόπους είναι μερικοί από τους στόχους αυτού του κεφαλαίου.