索引
A
- 精度 5.3.1.1 5.3.2
- アクティブなサンプリング 23.1.2
- ADP
- 「自動データ準備」を参照
- 集計
- パフォーマンス 11.4.7
- アルゴリズム
- アルゴリズム 3.2.1, 3.2.2
- Apriori 3.2.2, 8.3, 11, 11.3.4, 11.3.4.1
- 相関 11.1
- デシジョン・ツリー 3.2.1, 13
- 定義 3.2
- 期待値最大化 3.2.2, 14
- 指数平滑法 3.2.1, 10.4
- 一般化線形モデル 3.2.1, 17
- k-Means 3.2.2, 7.3, 18
- 最小記述長 3.2.1, 19
- Naive Bayes 3.2.1, 20
- ニューラル・ネットワーク 3.2.1
- Non-Negative Matrix Factorization 3.2.2, 22
- O-Cluster 3.2.2, 7.3, 23
- 1クラス・サポート・ベクター・マシン 3.2.2, 27.5
- 主要コンポーネント分析 3.2.2, 26.1
- ランダム・フォレスト 3.2.1
- 特異値分解 3.2.2 26
- 教師あり 3.2.1
- サポート・ベクター・マシン 3.2.1
- 教師なし 3.2.2
- アルゴリズム
- アルゴリズムのメタデータの登録について 24.3
- CUR行列分解について 12.1
- ESAについて 15.1
- 指数平滑法について 16.1
- ニューラル・ネットワークについて 21.1
- ランダム・フォレストについて 25.1
- 累積 16.2.2
- アルゴリズムのメタデータの登録 24, 24.3
- ランダム・フォレストの構築 25.2
- 列選択、属性選択および行選択 12.4
- CUR行列分解 12, 12.1, 12.2, 12.3, 12.4
- データ準備 16.2
- 二重指数平滑法 16.1.3
- ESA 15.1, 15.2
- 明示的セマンティック分析 15.1
- テキスト・マイニング 15.2
- 指数平滑法 12.1, 12.2, 15.4, 16, 16.1, 16.1.1, 16.1.2, 16.1.3, 16.1.4, 16.1.5, 16.1.6, 16.2.1, 16.2.2, 16.2.3, 16.2.4, 16.2.5
- 指数平滑法モデル 16.1.1, 16.2, 16.2.1, 16.2.2, 16.2.3, 16.2.4, 16.2.5
- 入力データ 16.2.1
- 欠損値 16.2.3
- ニューラル・ネットワーク 21, 21.1
- パーティションによる並列性 16.2.4, 16.2.5
- 予測間隔 16.1.6
- ランダム・フォレスト 25, 25.1, 25.2
- 季節性 16.1.4
- 単純指数平滑法 16.1.2
- 特異ベクトル 12.2
- 統計的レバレッジ・スコア 12.3
- 明示的セマンティック分析の用語 15.4
- テキスト・マイニング 15.2
- 傾向 16.1.3
- 傾向と季節性 16.1.5
- 異常検出 3.1.2.1, 3.2.2, 5.3.2, 6, 7.1
- 適用
- 「スコアリング」を参照
- Apriori 3.2.2, 8.3, 11
- 人工知能 3.1
- 相関ルール 3.1.2.1, 3.2.2, 8, 11
- 属性評価 3.1.1.2, 3.2.1, 3.2.2, 9, 19.1
- 属性 1.3.1, 3.1.2.1
- 自動データ準備 1.2.2, 1.3.2, 1.3.3, 3.3.1