Samouczące się sztuczne sieci neuronowe w grupowaniu i klasyfikacji danych. Teoria i zastosowania w ekonomii

Prezentowana książka składa się z dwóch zasadniczych części. Część pierwsza ma charakter teoretyczny. Omawia genezę, rozwój, podstawy empiryczne i teoretyczne procesu klasyfikacji i grupowania danych. Jest pełna faktów, anegdot i własnych przemyśleń autorów.
Część druga książki jest poświęcona szerokim badaniom teoretycznym, symulacyjnym i empirycznym nad własnościami samouczących się sieci neuronowych w grupowaniu danych społeczno-ekonomicznych. Szczegółowo omówiono algorytm budowy i samouczenia się trzech modeli sztucznych sieci neuronowych: SOM (Self Organizing Map), GNG (Growing Neural Gas) i sieci hybrydowej SOM-GNG. Zaproponowano także ich modyfikacje zwiększające zdolność badanych sieci do poprawnego wyróżniania istniejących skupień.
W książce położono szczególny nacisk na możliwie prosty i przejrzysty opis często złożonych zjawisk. Poza koniecznym formalizmem matematycznym autorzy posługują się wieloma zaawansowanymi metodami wizualizacji omawianych zagadnień. Dzięki temu, mimo naukowego charakteru książki, może ona stanowić wartościowy podręcznik dla bardziej zaawansowanych studentów, praktyków i naukowców nie będących specjalistami w zakresie klasyfikacji i grupowania danych.

Wstęp 9 1. Istota oraz cele grupowania i klasyfikacji danych 19 1.1. Cele grupowania i klasyfikacji danych 19 1.2. Klasyfikacja – rys historyczny 23 1.3. Rozwój taksonomii numerycznej 31 1.4. Klasyfikacja a grupowanie 39 1.5. Klasyfikacja metod grupowania 45 1.6. Metody i algorytmy grupowania 50 2. Ocena struktury grupowej jednostek 59 2.1. Problem oceny jakości struktury grupowej jednostek 59 2.2. Ocena jakości struktury grupowej jednostek w oparciu o kryterium zewnętrzne 62 2.3. Ocena jakości struktury grupowej jednostek w oparciu o kryterium wewnętrzne 74 2.4. Ocena jakości struktury grupowej jednostek w oparciu o kryterium względne 86 2.4.1. Klasyfikacja metod ustalania liczby skupień 86 2.4.2. Charakterystyka wybranych wskaźników oceny jakości grupowania 92 3. Sztuczna inteligencja 103 3.1. Istota inteligencji 103 3.2. Historia badań nad sztuczną inteligencją 109 3.3. Budowa i metody uczenia neuronu matematycznego 122 3.4. Pojęcie i metody uczenia sztucznych sieci neuronowych 124 3.5. Klasyfikacja topologii sztucznych sieci neuronowych 125 4. Przygotowanie danych do grupowania i klasyfikacji 131 4.1. Etapy przygotowania danych 131 4.2. Kontrola materiału statystycznego 134 4.3. Imputacja braków danych 137 4.4. Transformacja danych 142 4.5. Redukcja jednostek i cech zmiennych 143 4.6. Wybór cech zmiennych 147 5. Samoucząca się sieć neuronowa typu SOM 155 5.1. Mapa samoorganizująca się Kohonena 155 5.2. Proces samouczenia się sieci SOM 158 5.2.1. Struktura sieci SOM 158 5.2.2. Algorytm samouczenia się sieci SOM 163 5.3. Ocena jakości odwzorowania jednostek na sieci SOM 169 5.3.1. Graficzna ocena jakości odwzorowania 169 5.3.2. Formalna ocena jakości odwzorowania 173 5.4. Własności sieci SOM w grupowaniu danych 176 5.4.1. Analiza wpływu struktury sieci SOM na jakość grupowania 176 5.4.2. Analiza wpływu rodzaju inicjalizacji sieci SOM na jakość grupowania 184 5.4.3. Analiza wpływu wartości nietypowych i zaszumienia danych na jakość grupowania 188 5.4.4. Analiza czynników wpływających na szybkość procesu samouczenia się sieci SOM 195 5.4.5. Analiza wpływu liczby cech na zdolność sieci SOM do wyróżniania skupień 202 5.5. Problemy w stosowaniu sieci SOM 214 5.6. Dalsze kierunki badań 220 5.7. Zastosowanie sieci SOM do wyboru oferty na wtórnym rynku nieruchomości 223 6. Samoucząca się sieć neuronowa typu GNG 233 6.1. Gaz neuronowy o zmiennej strukturze 233 6.2. Algorytm budowy i samouczenia się sieci GNG 234 6.3. Własności procesu samouczenia się sieci GNG 237 6.4. Własności sieci GNG w grupowaniu danych 242 6.5. Problemy w stosowaniu sieci GNG 261 6.6. Modyfikacje algorytmu budowy i samouczenia się sieci GNG 263 6.7. Sieć GNG w dynamicznym grupowaniu danych 267 6.8. Dalsze kierunki badań 281 6.9. Zastosowanie sieci GNG do wyboru klientów w sprzedaży bezpośredniej 283 7. Hybrydowa samoucząca się sieć neuronowa typu SOM-GNG 291 7.1. Niedoskonałości sieci SOM i GNG w wyróżnianiu skupień 291 7.2. Idea samouczących się sieci hybrydowych 294 7.2.1. Idea sieci hybrydowej SOM-GNG 294 7.2.2. Budowa hybrydowej samouczącej się sieci SOM-GNG 295 7.3. Inne sieci hybrydowe oparte na sieci SOM 299 7.4. Własności sieci hybrydowych w grupowaniu danych 304 7.5. Empiryczne zastosowania hybrydowej sieci SOM-GNG 317 7.5.1. Badania preferencji i zwyczajów zakupowych 317 7.5.2. Zastosowanie sieci SOM-GNG w poszukiwaniu wzorców zakupowych 319 7.5.3. Problem filtrowania spamu 332 7.5.4. Zastosowanie sieci SOM-GNG do rozwiązania problemu filtrowania spamu 335 Wnioski 345 Aneks 1. Strona tytułowa oryginalnej dokumentacji programu naukowego ENIAC 349 Aneks 2. Charakterystyka zbiorów testowych 351 Aneks 3. Wykorzystane oprogramowanie 355 Bibliografia 365 Wykaz tablic, rysunków, schematów oraz wykresów 405 Tablice 405 Rysunki 407 Schematy 410 Wykresy 411 Indeks 413