Vortrag-Daniel.pdf

Empfehlungen

Info

Literaturverzeichnis● Johann Bacher, Andreas Pöge, Knut Wenzig (2010): Clusteranalyse -Anwendungsorientierte Einführung in Klassifikationsverfahren.Oldenbourg Verlag München. ISBN 978-3-486-58457-8.● Stuart Russell, Peter Norvig (2004): Künstliche Intelligenz. PearsonStudium. ISBN 3-86894-098-7.● Bing Liu (2011): Web Data Mining – Exploring Hyperlinks, Contents,and Usage Data. Springer. ISBN 978-3-642-19459-7.● Rob Sullivan (2012): Introduction to Data Mining for the LifeSciences. Springer. ISBN 978-1-58829-942-0.● Ian H. Witten, Eibe Frank, Mark A. Hall (2011): Data Mining –Practical Machine Learning Tools and Techniques. MorganKaufmann. ISBN 978-0-12-374856-0.50
Literaturverzeichnis● Dempster, A.P.; Laird, N.M.; Rubin, D.B. (1977). "Maximum Likelihoodfrom Incomplete Data via the EM Algorithm". Journal of the RoyalStatistical Society, Series B 39 (1): 1–38. JSTOR 2984875. MR0501537.● Sundberg, Rolf (1974). "Maximum likelihood theory for incompletedata from an exponential family". Scandinavian Journal of Statistics 1(2): 49–58. JSTOR 4615553. MR 381110.● Rolf Sundberg. 1971. Maximum likelihood theory and applications fordistributions generated when observing a function of an exponentialfamily variable. Dissertation, Institute for Mathematical Statistics,Stockholm University.51
Seite 1 und 2: Clustering BEM-AlgorithmusAutomatis
Seite 3 und 4: EM-AlgorithmusGrundlegendes
Seite 5 und 6: Erinnerung an den k-Means-Algorithm
Seite 7 und 8: EM-Algorithmus● Schritt 1:Zufäll
Seite 9 und 10: Vorteile des EM-Algorithmus● Gute
Seite 11 und 12: EM-AlgorithmusDetails
Seite 13 und 14: Modellansatz● K latente Klassen
Seite 15 und 16: Grundlegende Stochastikwerte● Ges
Seite 17 und 18: Maximum-Likelihood-Schätzung● Li
Seite 19 und 20: Grundprinzip des EM-Algorithmus●
Seite 21 und 22: Annahme● Wahrscheinlichkeit für
Seite 23 und 24: Schätzung von π(k | g)● Satz vo
Seite 25 und 26: EM-Algorithmus - Schritt 2● Schä
Seite 27 und 28: EM-Algorithmus - Schritt 4● Prüf
Seite 29 und 30: Überwachung der lokalen Unabhängi
Seite 31 und 32: Beispiel● Zweidimensional● Nich
Seite 33 und 34: Grundprinzip● Ausführung des EM-
Seite 35 und 36: Indikator-Variablen● Sichtbare Kl
Seite 37 und 38: Weitere Annahmen und Voraussetzunge
Seite 39 und 40: Anzahl Freiheitsgrade● Anzahl an
Seite 41 und 42: Informationsmaße - Problem● Ähn
Seite 43 und 44: Unähnlichkeitsindex● Englisch: D
Seite 45 und 46: Beziehungen von EM- und k-Means-Mod
Seite 47 und 48: Beispiel● Zweidimensional● Übe
Seite 49: Anhang
Seite 53 und 54: Literaturverzeichnis● Sundberg, R
Seite 55: Literaturverzeichnis● PMartin-Lö

Vortrag-Daniel.pdf

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?