Описан подход к решению задачи очистки и разбора текстов. Методика предназначена для работы с частично структурированными данными, такими как прайс-листы, описания деталей/конструкций и прочее. Способ заключается в разбиении информации, представленную в виде произвольного текста, на составные части, например, из описания детали выделить название, изготовителя, ГОСТ, различные характеристики.
Knowledge Discovery in Databases – это процесс поиска полезных знаний в "сырых данных". KDD включает в себя вопросы: подготовки данных, выбора информативных признаков, очистки данных, применения методов Data Mining, постобработки данных и интерпретации полученных результатов.
Решение задачи классификации является одним из важнейших применений нейронных сетей. Задача классификации представляет собой задачу отнесения образца к одному из нескольких попарно не пересекающихся множеств.
Большое количество сведений о клиентах, имеющееся в базах данных, хранятся в неудобном для аналитической обработки виде, например, адресная информация. Можно ли и нужно ли ее применять для анализа? Да, нужно использовать обязательно. Но без предварительной обработки не получится в виду того, что общепринятого формата записи не существует. Поэтому необходимо его разбить на составляющие.
Описаны детали реализации библиотеки компонентов CubeBase. В частности, рассмотрены вопросы загрузки, внутреннего представления и принципов хранения информации в многомерном гиперкубе. Примененные в CubeBase подходы позволили создать масштабируемое высокопроизводительное OLAP ядро.
При решении практических задач, в частности, задачи прогнозирования, вы обязательно столкнетесь с проблемой подготовки данных. Не надо питать никаких иллюзий, что если не помог один способ прогнозирования, то поможет другой, более изощренный. Дело не в методах. Если в исходных данных не хватает параметров, если информация сильно искажена, то никакой метод не поможет. Но выход есть...
Статья посвящена проблеме отбора факторов (Feature Selection) в случае с линейной моделью множественной регрессии. Рассмотрены такие итерационные алгоритмы по выбору независимых переменных как Forward Selection, Backward Elimination, Stepwise, а также изложена идея частного F-критерия, на основе которого осуществляется проверка на значимость входных признаков. Механизм работы каждой из методик разобран на конкретном примере.
Вторая часть математического аппарата построения деревьев решений - алгоритм C4.5. Рассмотрены вопросы улучшения критерия разбиения, работы с пропущенными данными и классификации новых примеров.
Описание библиотеки классов NeuralBase. Основным назначением библиотеки является интеграция нейронных сетей в информационные системы, для расширения аналитических возможностей систем.