흰고래의꿈

1. Rule Generation from frequent itemset 1. Frenquent itemset이 {A,B,C,D}일 떄 Candidate rules은 다음과 같다. ▪ Frenquent itemset이 K개 이면 총 생성할 수 있는 Candidate rules은 2^k-2개이다. ▪ 공집합과 전체 집합은 뺴기 때문에 -2이다. 2. 신뢰도(confidence)는 anti-monotone 성질을 가지지 않는다. ▪ Apriori 특성 사용이 어려움 - c(ABC->D) can be larger of smaller than c(AB->D) ▪ 동일한 항목집합에서 생성된 규칙에 대해서는 anti-monotone 성질이 성립 - c(ABC->D) >= c(AB->CD) >= c(A->BCD) 3..

1. 개요 char binary data printf로 표현하기 2. Source Code - C#include void print_binary(unsigned char a) { int i; unsigned char p; p = 0x80; for (i = 0; i > 1; } printf("\n"); } int main() { char a = 0x00;//0000 0000 print_binary(a); a |= 0x80; print_binary(a); }

1. 개요 기본적인 Hash에 대해서는 알것이라고 생각한다. 아래 소스코드에서 사용되는 중요 변수에 대한 설명은 다음과 같다. (1) struct vocab_word *vocab : Vocabulary의 약자로 단어가 저장될 Array이다. 다만 정렬되어 저장되지 않고 들어온 순서대로 저장된다. (2) Hash Function : 'word'라는 단어가 들어왔을 때 각 알파벳의 비트와 자리에 따른 값을 곱해 특정 숫자를 구한다. (3) const int vocab_hash_size : Hash Function의 Output의 최대 크기이다. (4) int *vocab_hash : Hash Function으로 구한 자리에 실제 단어가 vocab Array에 저장되어 있는 위치값을 저장한다. 2. Sourc..

1. Association Rule Mining 1. Association Rule Mining이란 Transactions의 집단에서 특정 항목의 발생을 예상할 수 있는 Rule을 찾는 것이다. 2. Example 3. 용어 : 2. Example의 왼쪽 사진을 보자 ▪ 항목집합(Itemset) : 사진의 record처럼 Item의 집단(ex : { Bread, Milk } )이다. - record에 속하는 item의 개수에 따라 k-itemset이라고 부른다. - 2번째 record는 4-itemset이다. ▪ Itemset의 Support Count : 특정 Item 집합을 포함하고 있는 Transaction(Record)의 수 ▪ Itemset의 Support : 전체 Transaction 중 해당..

1. Artificial Neural Networks (ANN) 1. ANN 모델은 상호 연결될 Node와 가중치 링크의 집단이다. 2. Output Node는 링크의 가중치에 따라 각 입력 값을 합산한다. 3. 합산한 값이 가중치(Threshold)를 넘으면 1 넘지 못하면 0이 된다. 4. Training ANN means learning the weights of the neurons 5. 시작 Weights(W1, W2, W3, ......, Wk)는 random값으로 많이 한다. 6. ANN의 결과가 목표와 일치하도록 가중치를 조정한다. 7. 오차률은 Objective Function으로 구하면 수식은 다음과 같다. 8. Objective Function 값이 작은 W를 구하는 것이 목표이다. ..

1. Create Table 1. Supplier TableCREATE TABLE S ( SNO VARCHAR(5) PRIMARY KEY, SNAME VARCHAR(15), STATUS INTEGER(2), CITY VARCHAR(10) ); 2. Part Table CREATE TABLE P ( PNO VARCHAR(5) PRIMARY KEY, PNAME VARCHAR(10), COLOR VARCHAR(10), WEIGHT INTEGER(2), CITY VARCHAR(10) ); 3. Projects Table CREATE TABLE J ( JNO VARCHAR(5) PRIMARY KEY, JNAME VARCHAR(10), CITY VARCHAR(10) ); 4. SPJ Table CREATE TABL..

1. Rule-Based Classifier 1. 'if....then...' 즉 (Condition) -> y라고 생각하면 된다. ▪ Condition 부분을 LHS라고 부른다. ▪ Consequent 부분을 RHS라고 부른다. ▪ ex) (Blood Type=Warm) ∩ (Lay Eggs=Yes) -> Birds 2. Cover : 'X' Rule은 Instance 'Y'를 Cover한다. ▪ 특정 Instance(Tuple)의 Attribute가 특정 Rule에 적용될 수 일을 때 Cover을 쓴다. ▪ 주어가 Rule ▪ Example 3. Trigger : 'Y' Instance는 Rule 'X1'과 Rule 'X2'를 Trigger한다. ▪ Cover과 다르게 주어가 Instance이다. ▪..

1. Classification Techniques ▪ Decision Tree based Methods(의사결정 트리) ▪ Rule-based Methods(규칙 기반 기법) ▪ Memory based reasoning ▪ Neural Networks ▪ Naïve Bayes and Bayesian Belief Networks ▪ Support Vector Machines 2. Decision Tree based Methods 1. Decision Tree를 생성하는 알고리즘으로는 Hunt's Algorithm, CART 등 2. 헌트 알고리즘 구조 ▪ 특정 attribute의 value 값에 대해 특정 값에 대해 class attribute 값이 같다면 자식 노드에 해당 class attribute ..

1. Data exploration이란 데이터의 특성을 잘 이해하기 위해서는 사전 데이터 탐색이 필요하다. ▪ 사전 데이터 탐색은 알맞은 분석 똔느 처리 툴을 선택하게 해 준다.▪ 사람이 인지 가능한 패턴은 단순 데이터 분석 툴로 찾을 수 없는데 인지 가능한 특성을 만들어 준다.▪ Exploratory Data Analysis(EDA, 탐색형 데이터 분석)과 관련이 있다. 많은 데이터 탐색 기술을 아이리스 데이터 셋으로 설명된다.▪ 꽃 종류 : Setosa, Virginica, Versicolour▪ 특징 : Sepal width and length, Petal width and length 2. Exploratory Data Techniques 1. Summary Statistics(요약 통계)▪ 기본..

1. Similarity and Dissimilarity(유사도와 비유사도) 1. Similarity▪ 두 Data Object의 얼마나 유사한지에 대한 수치적 척도이다.▪ 수치가 높으면 비슷하다. 0~1 사이가 나온다. 2. Dissimilarity▪ 두 Data Object의 얼마나 다른지에 대한 수치적 척도이다.▪ 수치가 작을 수록 비슷하다. 하한은 0이고 상한은 제한이 없다. 2. Distance 1. Euclidean Distance▪ n은 dimension 개수이며 각 속성의 scales가 다르면 표준화가 필요하다.▪ 순수 두 점간의 거리 2. Minkowski Distance▪ Minkowski Distance는 Euclidean Distance의 일바화이다.▪ r=1, 대표적인 예가 두 B..