Lijsten


Illustraties

Figuur 1 Omzetten van 'volume data' in 'high-value data'
Figuur 2 Gelijkenis tussen machine learning en data mining
Figuur 3 Een expertsysteemarchitectuur gebaseerd op een artificieel neuraal netwerk
Figuur 4 Een systeem voor het beoordelen van kredietwaardigheid
Figuur 5 Aanpak van data mining voor direct marketing
Figuur 6 Deel van de beslissingsboom voor geÔnteresseerden in het dienstenpakket
Figuur 7 Aantal gevallen van streepvorming in de periode
Figuur 8 Een voorbeeld van een concepthiŽrarchie
Figuur 9 Supervised learning
Figuur 10 Unsupervised learning
Figuur 11 Visuele voorstelling van clusters
Figuur 12 Voorbeeld van een probleemdomein (de getallen tussen haakjes wijzen op het aantal gevallen)
Figuur 13 Een bottom-up leerproces
Figuur 14 Een top-down leerproces
Figuur 15 Voorbeeld van een zoekgrafiek
Figuur 16 De werking van een genetisch algoritme
Figuur 17 Voorbeeld van een beslissingsboom
Figuur 18 Voorbeeld van een semantisch net
Figuur 19 Voorbeeld van een neuraal netwerk
Figuur 20 Voorbeeld van een neuron en een activeringsfunctie
Figuur 21 Patroon geschikt voor representatie m.b.v. regels (links) en een patroon geschikt voor representatie m.b.v. een neuraal netwerk (rechts)
Figuur 22 De bijbehorende ID3 beslissingsboom
Figuur 23 Basisalgoritme voor het opbouwen van beslissingsbomen
Figuur 24 Beslissingsboom met B als root-variabele
Figuur 25 Beslissingsboom met A als root-variabele
Figuur 26 Illustratie van de werking van KEDS
Figuur 27 Het transformeren van gegevens m.b.v. PCA
Figuur 28 Het interactieve en iteratieve zoekproces


Tabellen

Tabel 1 Toepassingsmogelijkheden in de financiŽle sector
Tabel 2 Toepassingsmogelijkheden in de verzekeringssector
Tabel 3 Toepassingsmogelijkheden voor marketing
Tabel 4 Toepassingsmogelijkheden van data mining in een produktieomgeving
Tabel 5 Aantal gevallen van streepvorming per maand
Tabel 6 Vergelijking van de performantie van ENIGMA en MEPS
Tabel 7 Vergelijking van de ontwikkelingsduur van ENIGMA en MEPS
Tabel 8 Medische toepassingsmogelijkheden van data mining
Tabel 9 Vergelijking manuele ripple-down rules, C4.5 en Induct
Tabel 10 Toepassingsmogelijkheden van data mining in informatica
Tabel 11 Toepassingsmogelijkheden voor engineering & design
Tabel 12 De ID3-regelset
Tabel 13 De manuele regelset
Tabel 14 Vergelijking tussen inductieve regels en regels op basis van interviews
Tabel 15 Toepassingsmogelijkheden voor de overheid
Tabel 16 Vergelijking van OBSERVER-II met voorspellingen op basis van eenvoudige meerderheid (%)
Tabel 17 Andere toepassingsmogelijkheden
Tabel 18 Een data dictionary of vocabularium met domeinconcepten
Tabel 19 Voorbeeld statistische evaluatie
Tabel 20 Soorten regels
Tabel 21 Diagnose van sojaboonziektes (68)
Tabel 22 Confusion matrix
Tabel 23 Dataset voor de diagnose van widget-problemen
Tabel 24 Vergelijking van KATE met experts en een bestaande expertsysteem
Tabel 25 De samengesteld distributie in het probleemgebied 'reptielen'
Tabel 26 Illustratie van de complexiteit van het 'travelling-salesman' probleem
Tabel 27 De types patronen waarnaar FORTY-NINER zoekt
Tabel 28 Illustratie van de complexiteit van FORTY-NINER
Tabel 29 Fout-oplossingsverbanden voor neurale netwerken


Afkortingen

AI artificiŽle intelligentie
CAO collectieve arbeidsovereenkomst
CNF conjunctieve normaalvorm
CPU central processing unit
DBMS databasemanagementsysteem
DM data mining
DNF disjunctieve normaalvorm
DSS decision support system
DW data warehousing
EIS executive information system
ES expertsysteem
FOL first order logic
FOPL first order predicate logic
I/O input/output
IT information technology
KB knowledge base
KD knowledge discovery
KDD knowledge discovery in databases
KE knowledge engineer
MDA multidimensionele analyse
MIS management information system
ML machine learning
OLAP on-line analytical processing
PCA principal components analysis
POS point-of-sale
SQL structured query language