Справка
x
Поиск
Закладки
Озвучить книгу
Изменить режим чтения
Изменить размер шрифта
Оглавление
Для озвучивания и цитирования книги перейдите в режим постраничного просмотра.
Интеллектуальный анализ данных средствами MS SQL Server 2008
16. Лекция 14. Использование инструментов Data Mining Client для Excel 2007 для создания модели интеллектуального анализа данных
Поставить закладку
Если Вы наш подписчик,то для того чтобы скопировать текст этой страницы в свой конспект,
используйте
просмотр в виде pdf
. Вам доступно 20 стр. из этой главы.
Для продолжения работы требуется
Регистрация
Предыдущая страница
Следующая страница
Оглавление
3. Лекция 1. Интеллектуальный анализ данных: базовые понятия
4. Лекция 2. Интеллектуальный анализ данных в СУБД MicrosoftSQLServer
5. Лекция 3. Этапы проведения интеллектуального анализа данных
6. Лекция 4. Надстройки интеллектуального анализа данных для MicrosoftOffice
7. Лекция 5. Использование инструментов "AnalyzeKeyInfluencers" и "DetectCategories"
8. Лекция 6. Использование инструментов "FillFromExample" и "Forecast"
9. Лекция 7. Использование инструментов "HighlightExceptions" и "ScenarioAnalysis"
10. Лекция 8. Использование инструментов "Prediction Calculator" и "ShoppingbasketAnalysis"
11. Лекция 9. Краткий обзор алгоритмов интеллектуального анализа данных. Упрощенный алгоритм Байеса. Деревья решений. Линейная регрессия
12. Лекция 10. Краткий обзор алгоритмов интеллектуального анализа данных. Алгоритмы временных рядов и кластеризации
13. Лекция 11. Краткий обзор алгоритмов интеллектуального анализа данных. Алгоритмы взаимосвязей и кластеризации последовательностей
14. Лекция 12. Краткий обзор алгоритмов интеллектуального анализа данных. Алгоритмы нейронных сетей и логистической регрессии
15. Лекция 13. Использование инструментов Data Mining Client для Excel 2007 для подготовки данных
16. Лекция 14. Использование инструментов Data Mining Client для Excel 2007 для создания модели интеллектуального анализа данных
17. Лекция 15. Анализ точности прогноза и использование модели интеллектуального анализа
18. Лекция 16. Построение модели кластеризации, трассировка и перекрестная проверка
19. Лекция 17. Концепции языка DMX
20. Лекция 18. DMX. Создание структуры и модели
21. Лекция 19. DMX. Обработка, очистка, удалениеи восстановление структур и моделей
22. Лекция 20. DMX. Запросы
23. Лекция 21. DMX. Прогнозы
24. Лекция 22. Начало работы в BIDevStudio
25. Лекция 23. Создание представления источника данных
26. Лекция 24. DMX. Параметры алгоритмов интеллектуального анализа данных. Упрощённый алгоритм Байеса, деревья решений, линейная регрессия
27. Лекция 25. DMX. Параметры алгоритмов интеллектуального анализа данных. Временные ряды, кластеризация
28. Лекция 26. DMX. Параметры алгоритмов интеллектуального анализа данных. Алгоритм взаимосвязей, кластеризация последовательностей
29. Лекция 27. DMX. Параметры алгоритмов интеллектуального анализа данных. Алгоритмы нейронных сетей и логистической регрессии
30. Лекция 28. Создание структуры и модели интеллектуального анализа. Задача кластеризации
31. Лекция 29. Задача классификации. Создание структуры и моделей интеллектуального анализа. Сравнение точности моделей
32. Лекция 30. Просмотр моделей интеллектуального анализа (деревья решений, упрощенный алгоритма Байеса, нейронные сети). Написание "одноэлементных" прогнозирующих запросов
33. Лекция 31. Работа с моделями интеллектуального анализа данных из SQLServerManagementStudio
34. Лекция 32. Использование алгоритма MicrosoftTimeSeries для прогнозирования значений временных рядов
35. Список литературы
Данный блок поддерживает скрол*