INNE EBOOKI AUTORA
Autor:
Format:
ibuk
Książka jest efektem studiów autora i jego przemyśleń nad filozoficznymi i metodologicznymi podstawami prowadzenia współczesnych analiz statystycznych. Jego intencją było połączenie w jedną całość problematyki filozoficznej, statystycznej oraz informatycznej prowadzenia tego typu analiz. Z tego względu pracę rozpoczęto od przedstawienia możliwości rozumienia prawdy jako rezultatu przeprowadzonych badań empirycznych. Szeroko omówiono filozoficzne i metodologiczne założenia dokonywania tego typu analiz oraz zarysowano wyzwania stojące przed współczesnymi badaniami statystycznymi. Obecnie są one związane z analizą dużych zbiorów danych oraz z zastosowaniem do tego celu modeli opartych na sztucznej inteligencji.
Szczególne znaczenie mają w tym zakresie systemy sztucznej inteligencji, które automatycznie poprawiają się na skutek poznawania coraz bardziej aktualnych i obszerniejszych danych, co jest nazywane uczeniem maszynowym. Jeżeli uczenie maszynowe opiera się na przyjęciu indeterministycznego, a co za tym idzie – probabilistycznego charakteru powiązań pomiędzy elementami badanej rzeczywistości, to staje się ono uczeniem statystycznym. W pracy zwrócono uwagę na istotę uczenia statystycznego oraz na zasady jego prowadzenia. W efekcie sformułowano paradygmat uczenia statystycznego, który jest nowszy i szerszy w odniesieniu do prowadzenia badań statystycznych niż dominujący dotychczas paradygmat wnioskowania statystycznego.
Końcowa część pracy poświęcona została przeglądowi metod nadzorowanego uczenia statystycznego, gdyż stanowią one dobry przykład połączenia klasycznych metod statystycznych z metodami wywodzącymi się z informatyki.
Rok wydania | 2023 |
---|---|
Liczba stron | 172 |
Kategoria | Metody ilościowe |
Wydawca | Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie |
ISBN-13 | 978-83-7252-888-9 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
INNE EBOOKI AUTORA
POLECAMY
Ciekawe propozycje
Filozoficzne i prawne problemy polityki
do koszyka
Filozoficzne i teologiczne wymiary...
do koszyka
Filozoficzne koncepcje negacji
do koszyka
Filozoficzne podstawy idei praw zwierząt
do koszyka
Filozoficzne podstawy sztuki kręgu...
do koszyka
Filozoficzne poznanie Boga
do koszyka
Spis treści
Wprowadzenie | 7 |
Rozdział 1. POSZUKIWANIE PRAWDY W BADANIACH NAUKOWYCH | 23 |
1.1. Reguły i cele poznania naukowego | 23 |
1.2. Klasyczna definicja prawdy | 27 |
1.3. Neopozytywistyczne ujęcie prawdy | 29 |
1.4. Krytyczny racjonalizm Karla Poppera | 32 |
1.5. Filozofia nauki Thomasa Kuhna | 37 |
1.6. Probabilistyczne ujęcie prawdy | 41 |
Rozdział 2. FILOZOFICZNE I METODOLOGICZNE ZAŁOŻENIA BADAŃ STATYSTYCZNYCH | 45 |
2.1. Determinizm a indeterminizm | 45 |
2.2. Przypadek a chaos | 48 |
2.3. Wnioskowanie dedukcyjne a wnioskowanie indukcyjne | 51 |
2.4. Losowość a niepewność | 55 |
2.5. Paradygmat wnioskowania statystycznego | 59 |
Rozdział 3. WYZWANIA WSPÓŁCZESNYCH BADAŃ STATYSTYCZNYCH | 66 |
3.1. Rozwój technologii informacyjnej | 66 |
3.2. Duże zbiory danych | 70 |
3.3. Wyzwania dotyczące analizy danych | 75 |
Rozdział 4. PODSTAWY I ZASADY DZIAŁANIA SZTUCZNEJ INTELIGENCJI | 79 |
4.1. Istota sztucznej inteligencji | 79 |
4.2. Matematyczne podstawy sztucznej inteligencji | 83 |
4.3. Filozoficzne podstawy sztucznej inteligencji | 87 |
4.4. Rozwój inżynierii i zastosowań sztucznej inteligencji | 95 |
4.5. Zasady uczenia maszynowego | 101 |
Rozdział 5. METODOLOGICZNE PODSTAWY UCZENIA STATYSTYCZNEGO | 105 |
5.1. Istota uczenia statystycznego | 105 |
5.2. Zasady uczenia statystycznego | 107 |
5.3. Paradygmat uczenia statystycznego | 111 |
5.4. Kryteria klasyfikacji metod uczenia statystycznego | 115 |
Rozdział 6. PRZEGLĄD METOD NADZOROWANEGO UCZENIA STATYSTYCZNEGO | 123 |
6.1. Liniowe modele uczenia statystycznego | 123 |
6.1.1. Uwagi ogólne | 123 |
6.1.2. Model regresji liniowej | 123 |
6.1.3. Regresja logistyczna | 125 |
6.1.4. Liniowa funkcja dyskryminacyjna | 128 |
6.2. Metoda najbliższego sąsiedztwa | 130 |
6.3. Uogólnione modele addytywne | 132 |
6.4. Modele oparte na gęstości prawdopodobieństwa | 134 |
6.4.1. Uwagi ogólne | 134 |
6.4.2. Estymatory i klasyfikatory jądrowe | 135 |
6.4.3. Naiwny klasyfikator bayesowski | 137 |
6.4.4. Modele mieszanek rozkładów | 139 |
6.5. Metody drzewkowe | 140 |
6.5.1. Uwagi ogólne | 140 |
6.5.2. Algorytm CART do wyznaczania drzew klasyfikacyjnych i regresyjnych | 141 |
6.5.3. Podejście wielomodelowe | 143 |
6.5.4. Metoda agregacji bootstrapowej (bagging) | 145 |
6.5.5. Metoda wzmacniania (boosting) | 146 |
6.5.6. Lasy losowe | 148 |
6.6. Metoda wektorów nośnych (SVM) | 150 |
6.7. Sztuczne sieci neuronowe | 152 |
6.8. Podsumowanie | 156 |
Literatura | 160 |
Indeks osobowy | 168 |
Indeks rzeczowy | 170 |