索引
A
- 精度 5.3.1.1 5.3.2
- アクティブなサンプリング 27.1.2
- ADP
- 「自動データ準備」を参照
- 集計
- パフォーマンス 14.4.7
- アルゴリズム
- アルゴリズム 3.2.1, 3.2.2
- Apriori 3.2.2, 9.3, 14, 14.3.4, 14.3.4.1
- 相関 14.1
- ディシジョン・ツリー 3.2.1, 16
- 定義 3.2
- 期待値最大化 3.2.2, 17
- 指数平滑法 3.2.1, 13.4
- 一般化線形モデル 3.2.1, 20
- k-Means 3.2.2, 8.3, 21
- 最小記述長 3.2.1, 22
- Naive Bayes 3.2.1, 24
- ニューラル・ネットワーク 3.2.1
- 正則化 25.1.5
- Non-Negative Matrix Factorization 3.2.2, 26
- O-Cluster 3.2.2, 8.3, 27
- 1クラス・サポート・ベクター・マシン 3.2.2, 31.5
- 主成分分析 3.2.2, 30.1
- ランダム・フォレスト 3.2.1
- 特異値分解 3.2.2, 30
- 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
- XGBoost 32.1
- アルゴリズム
- ESAについて 18.1
- 指数平滑法について 19.1
- ニューラル・ネットワークについて 25.1
- ランダム・フォレストについて 29.1
- 累積 19.2.2
- アルゴリズムのメタデータの登録 28.2
- アルゴリズムのメタデータの登録 28
- ランダム・フォレストの構築 29.2
- 列選択、属性選択および行選択 15.4
- CUR行列分解 7.2, 15, 15.3
- CUR行列分解 15.1, 15.2, 15.4
- データ準備 19.2
- 二重指数平滑法 19.1.3
- ESA 18.1, 18.1.1
- 明示的セマンティック分析 18.1, 18.4
- テキスト・マイニング 18.1.1
- 指数平滑法 19.2.4
- 指数平滑法 15.1, 15.2, 19, 19.1, 19.1.1, 19.1.2, 19.1.3, 19.1.4, 19.1.5, 19.1.6, 19.2, 19.2.1, 19.2.2, 19.2.3, 19.2.5
- 指数平滑法モデル 19.2.4
- 指数平滑法モデル 19.2.2
- 指数平滑法モデル 19.1.1, 19.2.1, 19.2.3, 19.2.5
- 入力データ 19.2.1
- 欠損値 19.2.3
- ニューラル・ネットワーク 25, 25.1
- パーティションによる並列性 19.2.4, 19.2.5
- 予測間隔 19.1.6
- ランダム・フォレスト 29, 29.1, 29.2
- 季節性 19.1.4
- 単純指数平滑法 19.1.2
- 特異ベクトル 15.2
- 統計的レバレッジ・スコア 7.2, 15.3
- 明示的セマンティック分析の用語 18.4
- テキスト分析 18.1.1
- 傾向 19.1.3
- 傾向と季節性 19.1.5
- 異常検出 3.1.2.1, 3.2.2, 5.3.2, 6, 6.1, 8.1
- MSET-SPRT 23.1
- 適用
- 「スコアリング」を参照
- Apriori 3.2.2, 9.3, 14
- 人工知能 3.1
- 相関ルール 3.1.2.1, 3.2.2, 9, 14
- 属性評価 3.1.1.2, 3.2.1, 3.2.2, 10, 22.1
- 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