Технологии интеллектуального анализа данных : учебное пособие

55 В Data Mining для представления полученных знаний служат модели. Виды моделей зависят от методов их создания. Наиболее распространенными являются правила, деревья решений, кластеры и математические функции. 2.6. Задачи Data Mining К методам и алгоритмам Data Mining относятся: искусствен- ные нейронные сети, деревья решений, символьные правила, мето- ды ближайшего соседа и k -ближайшего соседа, метод опорных век- торов, байесовские сети, линейная регрессия, корреляционно- регрессионный анализ; иерархические методы кластерного анали- за, неиерархические методы кластерного анализа, в том числе ал- горитмы k -средних и k -медианы; методы поиска ассоциативных правил, в том числе алгоритм Apriori; метод ограниченного пере- бора, эволюционное программирование и генетические алгоритмы, разнообразные методы визуализации данных и множество других методов. Большинство аналитических методов, используемых в тех- нологии Data Mining, – это известные математические алгоритмы и методы. Новым в их применении является возможность их исполь- зования при решении тех или иных конкретных проблем, обуслов- ленная появившимися возможностями технических и программных средств. Следует отметить, что большинство методов Data Mining были разработаны в рамках теории искусственного интеллекта. Метод ( method ) представляет собой норму или правило, оп- ределенный путь, способ, прием решений задачи теоретического, практического, познавательного, управленческого характера. Понятие алгоритма появилось задолго до создания электрон- ных вычислительных машин. Сейчас алгоритмы являются основой для решения многих прикладных и теоретических задач в различных