Pomiary - wiele obserwacji(rekordow) - kazda obsrwacja opisana przez ustalona liczbe cech ( atrybutow)

rejestrujemy atrybuty numeryczne, jak wzrost i waga, kategoryczne (zwane
też nominalnymi), jak kolor oczu oraz złożone (formalnie numeryczne, ale
zazwyczaj przetwarzane inaczej), jak odcisk palca i skan siatkówki


pomiary wzrostu - zmienna losowa z losowym zaburzeniem

3 ---
Grupowanie :

Ocena jakosci :

odleglosc zwykle ujemnie skorelowana z prawdopodobieństwem np d(x,y) = 1/p(x,y)

Odleglosc skupieniowa oraz odleglosc miedzyskupieniowa

K Means - losowe centroidy, tworzysz grupy - nowe centroidy to uśrednione środki tych grup, i tka aż nie będzie zmiany

SUpervised - maja juz nadane klasy

DBScan - sasiedztwo wektorow oddalonych <e, rozpatrzymy dla wektorow jak jest geste to wwzystkie wektory z danej grupy oznaczamy jako rozpatrzone

Proces stochastyczny, proces losowy – rodzina zmiennych losowych określonych na pewnej przestrzeni probabilistycznej o

Szeregiem czasowym nazywamy ci ˛ag (x1,x2,..., xt
,...)
nast ˛epuj ˛acych po sobie obserwacji pewnego zjawiska.

Trend albo tendencja rozwojowa – monotoniczny składnik w modelu zależności badanej cechy statystycznej od czasu.

Autokorelacja - Mniej formalnie jest to statystyka opisująca, w jakim stopniu dany wyraz szeregu zależy od wyrazów poprzednich w szeregu czasowym

srednia - suma po xi
wariancja - s^2 = 1/n Suma po (xi-srednia)^2
odchylenie - v

Rozwazamy zwykle dwa zasadnicze modele: ˙
I addytywny
Xt = Tt +St +Et
,
I multiplikatywny
Xt = Tt ×St ×Et
,

SMAk (t) = 1/k ∑i=−m xt+j
,

Stacjonarnos´c szeregu czasowego jest podstawowym wymogiem ´
do zbudowania skutecznego modelu predykcji

Proces nazywamy stacjonarnym, jezeli dla dowolnych ˙ t,k ∈ T:
I wartos´c oczekiwana jest stała ´
E(Xt) = E(Xt+k ) = µ
I autokowariancja zalezy jedynie od ˙ k

Proces stacjonarny (Xt)t∈T złozony wył ˛acznie ze zmiennych losowych ˙
parami nieskorelowanych nazywamy białym szumem.


 support A → C (nośnik, wsparcie)
supp(A → C) = supp(A ∪ C),
 confidence A → C (wiarygodność, zaufanie)
conf(A → C) = supp(A ∪ C) / supp(A).
lift A → C
lift(A → C) = confidence(A → C) / supp(C) - wplyw
 leverage A → C
leverage(A → C) = supp(A → C) – supp(A) supp(C).


 Nm = 14, pm1 = 6/14, pm2 = 8/14
 Qm
(F) = 2 * 6/14 * 8/14 = 0.4898


W bardzo wielu praktycznych problemach, aby usun ˛ac´
niestacjonarnos´c z szeregu czasowego, wystarczy rozwa ´ zy˙ c´
szereg róznic ˙ Xt −Xt−1