Opinie czytelników
Obecnie brak opinii czytelników. Ocena opiera się na 5 głosach.
Oryginalny tytuł:
Modern Data Mining Algorithms in C++ and Cuda C: Recent Developments in Feature Extraction and Selection Algorithms for Data Science
Zawartość książki:
1) Wprowadzenie 7.
2) Analiza składnikowa z selekcją w przód 11 A) Wprowadzenie do analizy składnikowej z selekcją w przód 12 B) Matematyka i przykłady kodu 16 Maksymalizacja wyjaśnionej wariancji 18 Kod dla kryterium maksymalizacji wariancji 20 Udoskonalanie wsteczne 24 Wielowątkowe udoskonalanie wsteczne 28 Ortogonalizacja uporządkowanych składowych 36 C) Łączenie wszystkiego razem 39 Składowe z podzbioru tylko z selekcją w przód 44 Składowe z podzbioru udoskonalonego wstecz 46 D) Przykład ze zmiennymi wymuszonymi 48 Przykład z wymyślonymi zmiennymi 48.
3) Lokalna selekcja cech 53 A) Intuicyjny przegląd algorytmu 54 Co raportuje ten algorytm 60 B) Krótki objazd: algorytm Simplex 62 Problem programowania liniowego 63 Interfejs do klasy Simplex 64 Trochę więcej szczegółów 67 C) Bardziej rygorystyczne podejście do LFS 69 Separacja wewnątrzklasowa i międzyklasowa 73 Obliczanie wag 77 Maksymalizacja separacji międzyklasowej 81 Minimalizacja separacji wewnątrzklasowej 86 Testowanie próbnej wersji beta 88 Krótka uwaga na temat wątków 93 D) Obliczanie wag za pomocą CUDA 94 Integracja kodu CUDA z algorytmem 95 Inicjalizacja sprzętu CUDA 97 Obliczanie różnic w stosunku do bieżącego przypadku 100 Obliczanie macierzy odległości 102 Obliczanie minimalnych odległości 104 Obliczanie warunków dla równania wagi 112 Transponowanie macierzy terminów 113 Sumowanie warunków dla wag 114 Przenoszenie wag do hosta 116 E) Przykład lokalnego wyboru cech 117 F) Uwaga na temat czasu działania 118.
4) Pamięć w funkcjach szeregów czasowych 119 A) Delikatny przegląd matematyczny 122 Algorytm w przód 123 Algorytm w tył 128 Poprawne alfa i beta, Dla tych, którym na tym zależy 131 B) Kilka przyziemnych obliczeń 136 Średnie i kowariancje 136 Gęstości 138 Wielowymiarowa normalna funkcja gęstości 139 C) Parametry początkowe 141 Zarys algorytmu inicjalizacji 141 Perturbowanie średnich 142 Perturbowanie kowariancji 143 Perturbowanie prawdopodobieństw przejścia 144 Uwaga na temat generatorów liczb losowych 145 D) Kompletny algorytm optymalizacji 146 Obliczanie prawdopodobieństw stanów Algorytm optymalizacji 146 Obliczanie prawdopodobieństw stanów 147 Aktualizacja średnich i kowariancji 151 Aktualizacja prawdopodobieństw początkowych i przejściowych 153 E) Ocena pamięci HMM w szeregu czasowym 159 F) Łączenie cech z celem 164 Łączenie stanów HMM z celem 173 Wymyślony i nieodpowiedni przykład 183 Rozsądny i praktyczny przykład 186.
5) Selekcja krokowa na sterydach 189 A) Model ewaluacji cech 192 Kod dla modelu podstawowego 193 B) Miara wydajności zweryfikowana krzyżowo 198 C) Algorytm krokowy 201 Znajdowanie pierwszej zmiennej 207 Dodawanie zmiennej do istniejącego modelu 210 D) Demonstracja algorytmu na trzy sposoby 214.
6) Konwersja z wartości nominalnej na porządkową 217 A) Przegląd implementacji 221 B) Testowanie uzasadnionej zależności 222 C) Przykład zmian cen akcji 223 D) Kod konwersji wartości nominalnych na porządkowe 227 Konstruktor 228 Drukowanie tabeli zliczeń 232 Obliczanie funkcji mapowania 234 Testy permutacji Monte-Carlo 237.
7) Indeks 353.
