| |
| Ievads |
1.1. |
Problēmas stāvoklis
|
1.2. |
Intelektuālās datu analīzes
nepieciešamība |
1.3. |
Intelektuālās datu analīzes
uzdevumu klasifikācija |
1.4. |
Likumu iegūšanas
uzdevuma uzdošana un metodes |
1.5. |
Rezumējums |
| 2.
nodaļa. Asociāciju analīzes izmantošana likumsakarību
atrašanā |
2.1. |
Uzdevuma formulējums |
2.2. |
Asociāciju likumu ticamības
un atbalsta vērtības |
2.3. |
Itemkopu atrašanas algoritmu
analīze |
2.4. |
Asociāciju likumu iegūšanas
algoritms |
2.5. |
Apriori algoritma pielietojums
statistisko datu analīzē |
2.6. |
Rezumējums |
| 3.
nodaļa. Mākslīgo neironu tīklu iespējas datu analīzes
veikšanā |
3.1. |
Uzdevuma nostādne |
3.2. |
Neironu tīklu darbības
vispārīgie pamatprincipi |
3.3. |
Neironu tīklu metožu iespēju pētīšana likumsakarību
meklēšanā |
3.4. |
Neironu tīklu pielietojumu iespējas |
3.5. |
Likumsakarību meklēšana uz
bankrotu datu analīzes piemēra |
3.6. |
Rezumējums |
| 4.
nodaļa. Klasterizācijas metožu analīzes pētījumi likumsakarību
modelēšanā |
4.1. |
Uzdevuma formulējums |
|
4.2. |
Klasterizācijas metožu apskats un iespēju analīze |
4.3. |
Izplūdušās klasterizācijas iespēju pētīšana |
4.4. |
Likumu iegūšana ar izplūdušās
klasterizācijas metodes palīdzību |
4.5. |
Rezumējums |
| 5.
nodaļa. Neironu tīklu metodes nosacīto likumu iegūšanas
procesā |
5.1. |
Problēmas formulējums un
esošo pētījumu analīze |
5.2. |
Neironu tīklu piemērotība
likumu ieguvei |
5.3. |
Likumu ieguve no RBF neironu
tīkliem |
5.4. |
Rezumējums |
| Secinājumi |
| Pielikums.
Asociāciju likumu iegūšanas sistēma statistisko datu apstrādei |
| Literatūra |
|
