Olvasói vélemények
Jelenleg nincsenek olvasói vélemények. Az értékelés 5 olvasói szavazat alapján történt.
Eredeti címe:
Modern Data Mining Algorithms in C++ and Cuda C: Recent Developments in Feature Extraction and Selection Algorithms for Data Science
Könyv tartalma:
1) Bevezetés 7.
2) Előre szelektáló komponenselemzés 11 A) Bevezetés az előre szelektáló komponenselemzésbe 12 B) A matematika és kódpéldák 16 A megmagyarázott variancia maximalizálása 18 A variancia maximalizálási kritérium kódja 20 Visszafelé történő finomítás 24 Többszálú visszafelé történő finomítás 28 Rendezett komponensek ortogonalizálása 36 C) Összeállítás 39 Csak előre szelektáló részhalmazból származó komponensek 44 Visszafelé finomított részhalmazból származó komponensek 46 D) Egy példa kitalált változókkal 48.
3) Helyi jellemző kiválasztás 53 A) Az algoritmus intuitív áttekintése 54 Mit jelent ez az algoritmus 60 B) Egy rövid kitérő: a Simplex algoritmus 62 A lineáris programozási probléma 63 Kapcsolódás a Simplex osztályhoz 64 Egy kicsit részletesebben 67 C) Az LFS szigorúbb megközelítése 69 Osztályon belüli és osztályok közötti elkülönítés 73 A súlyok kiszámítása 77 Osztályok közötti elkülönítés maximalizálása 81 Osztályon belüli elkülönítés minimalizálása 86 Próbabéta tesztelése 88 Egy gyors megjegyzés a szálakról 93 D) A súlyok CUDA számítása 94 A CUDA-kód integrálása az algoritmusba 95 A CUDA-hardver inicializálása 97 A különbségek kiszámítása az aktuális esettől 100 A távolságmátrix kiszámítása 102 A minimális távolságok kiszámítása 104 A súlyegyenlet feltételeinek kiszámítása 112 A kifejezésmátrix transzponálása 113 A feltételek összegzése a súlyokhoz 114 A súlyok áthelyezése a hosztba 116 E) A helyi jellemzőválasztás példája 117 F) Megjegyzés a futási időhöz 118.
4) Memória az idősorok jellemzőiben 119 A) Egy gyengéd matematikai áttekintés 122 Az előre algoritmus 123 A visszafelé algoritmus 128 Helyes Alpha és Beta, Azoknak, akiket érdekel 131 B) Néhány hétköznapi számítás 136 Középértékek és kovarianciák 136 Sűrűségek 138 A többváltozós normális sűrűségfüggvény 139 C) A kiindulási paraméterek 141 Az inicializálási algoritmus vázlata 141 Az átlagok perturbálása 142 A kovarianciák perturbálása 143 Az átmenet valószínűségeinek perturbálása 144 Egy megjegyzés a véletlenszám-generátorokról 145 D) A teljes Optimalizálási algoritmus 146 Állapotvalószínűségek kiszámítása 147 Az átlagok és a kovarianciák frissítése 151 A kezdeti és az átmeneti valószínűségek frissítése 153 E) A HMM memória értékelése idősorozatban 159 F) A jellemzők összekapcsolása a célhoz 164 A HMM állapotok összekapcsolása a célhoz 173 Egy kitalált és nem megfelelő példa 183 Egy ésszerű és gyakorlati példa 186.
5) Lépésenkénti kiválasztás szteroidokon 189 A) A jellemzőértékelési modell 192 Az alapmodell kódja 193 B) A keresztellenőrzött teljesítménymutató 198 C) A lépésenkénti algoritmus 201 Az első változó megtalálása 207 Változó hozzáadása egy meglévő modellhez 210 D) Az algoritmus háromféleképpen történő bemutatása 214.
6) Nominális-rendesre való átváltás 217 A) A végrehajtás áttekintése 221 B) A jogszerű kapcsolat tesztelése 222 C) Egy példa a részvényárfolyam-változásokból 223 D) A névlegesből rendezetté konvertálás kódja 227 A konstruktor 228 A számlálótábla kinyomtatása 232 A leképező függvény kiszámítása 234 Monte-Carlo-permutációs tesztek 237.
7) Index 353.
