1. Въведение в Data Mining

1. ВЪВЕДЕНИЕ В ОБРАБОТКАТА НА ЗНАНИЯ

2. ОБРАБОТКА НА ЗНАНИЯ

С течение на времето в бързо развиващите се сектори по света
се натрупват множества от данни, които в определен момент
стават ненужни и неизползваеми.
Тук възниква проблемът, че те само ще заемат ресурси,
докато един ден заприличат на „гробници от данни” или никому
ненужни средства. По този начин съхранената база става „богата
на данни, но бедна на информация”.
June 23, 2026
2

3. ОБРАБОТКА НА ЗНАНИЯ

С всяка нововъведена порция информация се ограничава
възможността за контрол над данните и изгубва връзката
между тях.
В даден момент потребителят е изправен пред трудната задача за
овладяване на целия получил се хаос от данни.
След като са разработени методи за съхранение на тези данни
аналогично трябва да се помисли и за какво и за кого ще са
необходими те? Могат ли да се оптимизират старите,
забравени и ненужни данни?
June 23, 2026
3

4. ОБРАБОТКА НА ЗНАНИЯ

Всяка една компания, връщайки се назад и разглеждайки своите
натрупани с времето данни ще открие „забравени” познания за
своята дейност. Тогава дали ще е възможно, позовавайки се на тях, да
предположи развитието си днес?
Отговорът на този въпрос и на още много други може да даде
анализа за извличане на знания. Той се превръща в необходимост
именно поради наличието на огромни складове от данни в
съвременния свят.
June 23, 2026
4

5. ОБРАБОТКА НА ЗНАНИЯ

Методите за извличане на знания от данни откриват
закономерности, шаблони, аномалии, тенденции в тях, а
процесът се нарича data mining
Извлечените неформулирани и скрити зависимости могат
да се подложат на следваща обработка.
За целта е необходимо потребителят предварително да
зададе хипотеза, която е нужно да се провери.
June 23, 2026
5

6. ОБРАБОТКА НА ЗНАНИЯ

За разлика от обикновените заявки, които потребителят
задава към данните в една база от данни, базирани на някаква
негова предварително обмислена хипотеза, извличането на
знания осъществява обратния процес – извличат се хипотези
от данните.
За да бъде изследването оптимално на първо място е
необходимо задачата да бъде много точно зададена и на
второ - трябва да се изберат възможно най-правилните
данни.
June 23, 2026
6

7. ОБРАБОТКА НА ЗНАНИЯ

След намирането на точните данни те трябва да преминат
през
предварителна
обработка,
ако
е
нужно
да
се
трансформират и след това да им се приложи техника за
извличане на знания (data mining техника).
Основно предимство на анализа е непредвидимостта на
извличаните
закономерности.
Данните
се
изследват
в
дълбочина, за да се изведат всички връзки, които са скрити на
повърхността .
June 23, 2026
7

8. ОБРАБОТКА НА ЗНАНИЯ

KDD-Knowledge discovery process- извличане на знания от данни
June 23, 2026
8

9. Обработка на знания

Процесът
на
откриване
на
смислени
зависимости
и
корелации, повтарящи се шаблони, тенденции и аномалии в
големи обеми от данни, чрез използване на различни техники от
областта на машинното обучение,
невронните мрежи,
визуализацията на данни и т.н. се
нарича
извличане
на
знания
(knowledge discovery and data
mining).
9
June 23, 2026

10.

June 23, 2026
10

11. Обработка на знания

Чрез извличането на знания от данните се получава
неочевидна, предварително неизвестна и потенциално
полезна информация.
Извлечените неформулирани и скрити зависимости могат
да се подложат на следваща обработка.
June 23, 2026
11

12. Обработка на знания

Задачите, които разрешава извличането на знания могат да
се категоризират като задачи за описание и задачи за
прогнозиране, както и комбинацията от тях.
June 23, 2026
12

13. Обработка на знания

Задачите
за
описание
или
"Descriptive
data
mining"
претърсват в определени масиви от данни и разкриват
неочаквани структури или връзки, шаблони, тенденции,
клъстери и отличаващи се стойности в данните.
June 23, 2026
13

14. Обработка на знания

Data Mining за прогнозиране или "Predictive data mining"
построява модели и процедури за регресия, класификация,
разпознаване на шаблони или задачи от машинното
обучение и определя предсказващата им точност, когато се
приложат върху нови данни.
June 23, 2026
14

15. Обработка на знания

В терминологията на машинното обучение извличането на
знания от данни за описание е познато като обучение без
наблюдение и извличането на знания за предсказване се
определя като обучение чрез наблюдение
June 23, 2026
15

16. Обработка на знания

June 23, 2026
16

17. Обработка на знания

June 23, 2026
17

18. Обработка на знания

June 23, 2026
18

19. ОБРАБОТКА НА ЗНАНИЯ

Извличането на знания от данни е мултидисциплинарна
област. Използват се инструменти от различни дисциплини -
изкуствен интелект, база данни, алгоритми, статистика и други.
June 23, 2026
19

20. ОБРАБОТКА НА ЗНАНИЯ= извличане на знания=data mininG=Data Science

June 23, 2026
20

21. ОБРАБОТКА НА ЗНАНИЯ

June 23, 2026
21

22. Процес на извличане на знания от данни – бизнес сценарий

June 23, 2026
22

23. Cross-Industry process for data mining

June 23, 2026
23

24. Cross-Industry process for data mining

June 23, 2026
24

25. Cross-Industry process for data mining

Процесът на извличане на знания от данни се състои от шест основни
етапа:
1.
Достигане
на
разбиране
(знание)
чрез
математически
и
компютърен анализ (Business Understanding)– това е началният
етап, който се фокусира върху дефинирането на целите на
изследванията и съответните изисквания от гледната точка на
компютърния потребител. След завършването на етапа тези знания
трябва да бъдат превърнати в дефиниции на задачи за извличане на
данни и да се състави предварителен план как тези цели могат да
бъдат постигнати.
June 23, 2026
25

26. Cross-Industry process for data mining

2.
Разбиране на данните (Data understanding) – започва с
първоначално събиране на данни и продължава с дейности,
целящи
задълбочаване
на
знанията
на
изследователя
за
естеството на данните. На този етап е необходимо да бъдат
идентифицирани проблеми, свързани с качеството на данните, да
бъде получено първоначално мнение за характера на данните, да
бъдат намерени интересните подмножества на данните, за да
бъдат формирани първоначални хипотези за скритата в данните
информация.
June 23, 2026
26

27. Cross-Industry process for data mining

3.
Подготовката на данните (Data preparation) – покрива всички
дейности по създаване от първоначални „сурови“ данни на
крайното множество от данни (т.е. данни, които ще бъдат
използвани от моделиращите средства). Етапът на подготовката
на данни често се налага да бъде изпълняван многократно и по
различно време. Задачите по подготовката на данни включват в
себе си избор на таблиците с данни, техни атрибути и отделни
записи, както и трансформация и изчистване на данни.
June 23, 2026
27

28. Cross-Industry process for data mining

4.
Моделиране (Modeling) – този етап се състои от избор и
прилагане на различни техники за моделиране, целящи
извличане на закономерности от данните. Параметрите на
моделите се калибрират до свои оптимални стойности. Тъй
като някои модели имат свои специфични изисквания към
форма̀ та на данните, на този етап често се налага връщането
към етапа за подготовката на данни.
June 23, 2026
28

29. Cross-Industry process for data mining

5.
Оценка на модела (Model evaluation) – етапът се състои
във внимателно преглеждане на всички стъпки, изпълнени
при създаването на конкретния модел, за да се осигури, че те
постигат поставените цели. В края на този етап се приема
решение за използване на получените в процеса на
сондиране резултати.
June 23, 2026
29

30. Cross-Industry process for data mining

6.
Експлоатация на модела (Deployment) – свързана е с
необходимостта от наблюдение и стратегия за експлоатация.
На този етап следва да се определи дали и кога да се поднови
процедурата по извличане на знания от данни и при какви
условия.
June 23, 2026
30

31. Процес на извличане на знания от данни – основни стъпки

June 23, 2026
31

32.

June 23, 2026
32

33. Подготовка на данните за анализ

Подготовката и предварителната обработка на данните често
представлява най-тежката част от процеса на извличане на
знания. Стандартната процедура е описана в следващите
основни стъпки:
Създаване на бази от данни
За анализ на данните информацията се организира в таблици,
като променливите са в колони, а записите са по редове.
June 23, 2026
33

34. Подготовка на данните за анализ

Вземане на проби от базата с данни
За анализа за извличане на знания е необходима само
определена област от данните за разлика от статистическият
анализ, на който са му необходими поне няколко стотин записи
за построяване на точни модели. В случая се извлича
подсъвкупност от записи за изграждане на модела.
June 23, 2026
34

35. Подготовка на данните за анализ

Редки (случайни) събития
В големите складовете от данни, за да се анализира даден
проблем често са необходими само малка част от данни. Често за
тях има недостатъчно стойности. Тогава се поставят свръхтегла (over-weight) на тези данни. Този проблем се среща както
при класификацията, така и при прогнозирането.
June 23, 2026
35

36. Подготовка на данните за анализ

Предварителна обработка и почистване на данните
Типове на променливите
Данните, които се анализират биват числови или текстови
(символни). Те могат да бъдат непрекъснати или категорийни.
Категорийните данни от своя страна се делят на числови (1, 2, 3) и
текстови („платил”, „не платил”), който се делят на неподредени
категорийни данни (напр. Европа и Африка) или подредени
категорийни данни (напр. висока стойност, ниска стойност и нулева
стойност).
June 23, 2026
36

37. Подготовка на данните за анализ

Повечето инструменти работят с непрекъснати променливи,
с изключение на Naive Bayes класификацията, която анализира
категорийни стойности. Понякога непрекъснатите данни се
конвертират до категорийни за получаване на по-характерни
резултати. Напр. резултати за кредити под определено ниво
означава „отказ на кредит").
June 23, 2026
37

38. Подготовка на данните за анализ

Категорийните променливи често се нуждаят от специална обработка.
Ако
категорийната
променлива
е
подредена
(напр.
възрастова
категория), тя може да се използва както непрекъсната променлива.
Неподредените категорийни променливи се превръщат в поредица от
фиктивни двоични променливи. Например, една променлива, която може
да има възможни стойности на "студент", "безработен”, ще бъде разделена
на четири отделни променливи: студент: Да / Не, безработен - Да / Не.
Категорийните променливи могат автоматично да се конвертират в
двоични.
June 23, 2026
38

39. Подготовка на данните за анализ

Излишество от данни
Предозиране с данни (overfitting) се получава, когато в един
статистически модел има наличие на случайна грешка или "шум".
Възниква при сложни модели, чиито брой на атрибутите е по-голям
от
този
на
наблюденията.
Моделът
обикновено
има
ниска
ефективност при прогнозиране, тъй като набляга на незначителни
колебания в данните. Когато се изгражда модел основната цел е да се
опишат взаимоотношенията между променливите така, че полученото
описание да помага за прогнозирането на бъдещите стойности.
June 23, 2026
39

40. Подготовка на данните за анализ

Силно отличаващи се стойности в измерванията на една и съща
променлива
Това са силно отличаващи се стойности (outliers) или
наличие на грешки. В терминологията се среща като "наличие на
шум". Трябва да се определят стабилните стойности на променливата
чрез някой от следните подходи – дискретизация (binning), клъстер
анализ (clustering) и регресия (regression), при които се използва
„методът на най-малките квадрати”.
June 23, 2026
40

41. Подготовка на данните за анализ

При дискретизацията областите, в които се проявява дадена
променлива се разделят на интервали.
Клъстерният анализ организира сходните
данните в
групи, наречени "клъстери".
При регресията областта от стойности се апроксимира с
права, която преминава най - близко до тях.
June 23, 2026
41

42. Подготовка на данните за анализ

Липсващи стойности
При малък брой липсващи стойности в таблицата, те
могат да се пропуснат. Когато се работи с голям брой променливи
дори няколко липсващи стойности могат да повлияят на записите. 30
променливи и само 5% липсващи стойности водят до 80% пропуснати
при анализа записи. Липсващите стойности могат да се избегнат
чрез игнориране на кортежи или на атрибути от таблицата,
ръчно запълване, използване на глобална константа за запълване
на стойността, заменяне на липсващата стойност със средната за
даден атрибут или заменяне на липсващата стойност с най-
вероятната такава по отношение на цялата таблица.
June 23, 2026
42

43. Подготовка на данните за анализ

Нормализация на данните
Някои
алгоритми
изискват
предварително
да
се
нормализират данните. За целта средната стойност се изважда от
всяка стойност и се разделя на стандартното отклонение на
получените отклонения от средната стойност. Всяка стойност се
изразява като "брой стандартни отклонения от средната стойност" и се
нарича "Z-резултат".
Напр. при клъстеризацията се пресмята мярка за разстояние,
чиито резултат показва колко далеч е всеки запис от центъра на
клъстера, или от другите записи.
June 23, 2026
43

44. Машинно самообучение: Обучение с учител и обучение без учител

June 23, 2026
44

45. Обучение с учител (supervised learning)

Моделите се обучават с помощта на етикетирани данни (labeled data).
Използва етикетираните данни, за да обучи алгоритмите да класифицират
данните и предскажат резултатите. Supervised learning се използва при два
вида проблеми: Classification и Regression.
June 23, 2026
45

46. Обучение без учител (unsupervised learning)

Неконтролираното обучение е друг метод за машинно обучение, при
който моделите се извеждат от немаркираните входни данни. Целта на
обучението без учител е да се намерят структурата и моделите от
входните данни. Техниката сама намира модели от данните. Unsupervised
learning може да бъде използвано при два вида проблеми: Clustering и
Association.
June 23, 2026
46

47. Задачи на извличането на знания от данни

Съществуват различни начини за категоризиране на задачите на
извличането на знания като отделните групи могат да бъдат
обобщение, класификация, асоциация, клъстеризация, анализ на
тенденциите,
последователни
регресия,
времеви
закономерности,
анализ,
откриване
прогнозиране,
на
оценяване,
сегментация, описание и визуализация, откриване на отклонения.
В
литературата
изброените
области
се
намират
както
като
самостоятелни задачи, така и в обединение с други, например
клъстеризация и сегментация, класификация и прогнозиране.June 23, 2026
47

48. Задачи на извличането на знания от данни

Основните задачи за извличане на знания от данни са :
Класификация - класът е множество от примерни данни със
сходства или взаимовръзки и всички примери от този клас се
категоризират от етикета на класа и така се разграничават от всички
останали данни. При дадено множество от данни и етикети на класове,
анализаторите
конструират
класификатори,
които
служат
за
преoсказване на бъдещи непознати обекти. Класификационният
модел се формира чрез наличните данни. Бъдещите зависимости се
предсказват, използвайки обучения модел.
June 23, 2026
48

49. Задачи на извличането на знания от данни

Анализ на отклоненията (deviation analysis) - той често е
групиран със задачата за класификация или със задачата за
клъстеризация. Използва се за откриване на "значителни"
промени. Примерно приложение на анализа е откриването на
измами чрез кредитни карти.
June 23, 2026
49

50. Задачи на извличането на знания от данни

Прогнозиране - прогнозирането се категоризира и към
задачата
за класификация. В статистиката регресията е
начинът да се изгради предсказващ модел чрез полином.
Прогнозирането често се използва в анализа на времеви серии
(time
series
analysis).
закономерности
могат
От
предварително
известни
да
се
бъдещите
предвидят
зависимости.
June 23, 2026
50

51. Задачи на извличането на знания от данни

Клъстеризация/сегментация - клъстеризацията има за цел да
групира сходни данни в ограничен набор от отделни
клъстери / категории. Тази задача спада към сегментацията. В
машинното обучение се използва като обучение без учител. Това
означава, че броя и типа на клъстерите не е известен
предварително. Групирането се основава на приликата на
данните въз основа на техните стойности на атрибутите. Само
сходните данни се добавят в клъстера.
June 23, 2026
51

52. Задачи на извличането на знания от данни –клъстерен анализ

Клъстеризацията и класификацията често биват бъркани
- и двете задачи поставят обучаващите данни в различни групи.
Разликата
е,
че
при
класификацията,
групите
са
предварително определени и задачата е да се определи към
коя група принадлежат новите данни. При клъстеризацията
типовете на групите и дори броят на групите не е известен и
задачата е да се
намери най-добрият
сегментират всички данни.
начин да се
June 23, 2026
52

53. Задачи на извличането на знания от данни – клъстерен анализ

Основният проблем на клъстеризацията е да се вземе решение за
броя на клъстерите. Но при някои методи, първоначално е
необходимо да бъде уточнен броя на клъстерите. Например, за да се
използва KMeans алгоритъм, потребителят първоначално трябва да
въведе броя на клъстерите. Центровете на клъстерите се избират
произволно. След това данните итеративно се движат между
клъстерите, докато те се слеят. Ако потребителят не е удовлетворен от
резултатите, въвежда друг брой за клъстерите. Този метод намира
клъстерите чрез процес на проба-грешка.
June 23, 2026
53

54. Задачи на извличането на знания от данни – клъстерен анализ

Друго решение за определяне на броя на клъстерите е да се
използва йерархична клъстеризация. Има два подхода за това:
отгоре-надолу и отдолу-нагоре.
Клъстеризацията основно се използва за работа с данни
без етикети на класовете. Някои методи за класификация
клъстеризират данните в малки групи преди да се пристъпи
към класифицирането.
June 23, 2026
54

55. Задачи на извличането на знания от данни

Извличане на правила - извличането на правила може да бъде
категоризирано в две основни групи.
Първата е насочена към изучаване на връзката между
входните атрибути и изходните етикети на класовете в
множества от данни с налични етикети за класовете.
Втората
група
е
съсредоточена
върху
извличането
на
асоциативни правила, които откриват взаимовръзките между
атрибутите в множество от данни, в което няма зададени етикети
за класове. Асоциативните правила са най-разпространени в бизнеса,
където са известни като анализ на сходствата (Affinity analysis) или
анализ на потребителската кошница (Market basket analysis).
June 23, 2026
55

56. Задачи на извличането на знания от данни-извличане на правила

Задачата на правилата е да намерят количествената връзка между
два или повече атрибута. Много често в литературата се използва
определението анализ на връзките (Link analysis), което обобщава в
себе си анализа на сходствата, асоциативните правила и откриването
на
последователни
зависимости
(Sequence
pattern
mining).
Анализът на връзките представлява процесът на изграждане на
мрежи от взаимосвързани обекти, за да се проучи модела и
зависимостите. Основава се на област от математиката, наричана
"теория на графите".
June 23, 2026
56

57. Задачи на извличането на знания от данни-извличане на правила

Разграничение се прави, поради факта че анализът на връзките е
активно приложим основно в анализа на Интернет пространството
(Web mining) - примерно за откриване на категориите страници и
връзките между тях. Разпространена разновидност може да бъде и
откриването на данни по "съдържание" (Retrieval by Content,
Information retrieval - IR), което извлича обекти, подобни на зададен
модел или критерии на интерес (намиране на предпочитани уеб
страници, откриване на снимки в база данни по зададени цветове).
June 23, 2026
57

58. Задачи на извличането на знания от данни-извличане на правила

Отново на базата на асоциативните правила се определя и друга
задача - извличане на текстови закономерности (Text mining),
която прилага същите аналитични функции, използвани при
техниката за извличане на информация (IR). Анализът на
взаимовръзките (Link analysis), извличането на знания от
текстови документи (Text mining) и откриването на зависимости
в Интернет пространството (Web mining) могат да бъдат
комбинирани, за получаване на по-точни резултати.
June 23, 2026
58

59. Задачи на извличането на знания от данни

Извличането на знания от текстови документи и откриването на
зависимости в Интернет пространството са задачи, представляващи
огромен интерес в съвременното онлайн общество.
Обобщение на данните (data summarization) - представя на
потребителя общ преглед на структурата на данните и обикновено се
извършва в ранните етапи на даден проект. Този тип анализ на данни
може да помогне за разбиране на типа на данните и да открие
потенциални хипотези в скритата информация. Обикновено се
прилагат прости описателни статистически техники и техники за
визуализация.
June 23, 2026
59

60. Техники за извличане на знания от данни

Техниките, които се използват за извличане на знания от големи
масиви с данни са асоциативни правила, размита логика, клъстерен
анализ, дървета на решенията и генетични алгоритми и др.
Клъстерен анализ - Той разпределя разнородните данни на
хомогенни или полу-хомогенни групи. Методът позволява
наблюдението на данните, класифицирани по общи признаци. Чрез
средствата на клъстеризацията се разширяват възможностите за
прогнозиране.
June 23, 2026
60

61. Техники за извличане на знания от данни

Клъстеризацията е процес на групиране на данните в класове
или клъстери, така че обектите в даден клъстер да имат
висока прилика при сравнение един с друг, но да са много
различни с обектите от другите класове. Различията са
оценени въз основа на стойностите на атрибутите, описващи
обектите. Често се използват и мерки за разстояние.
Клъстеризацията има корени в много области като извличане на
знания, статистика, биологията и машинното обучение.
June 23, 2026
61

62. Техники за извличане на знания от данни

В
някои
приложения
клъстеризацията
се
нарича
също
и
сегментация на данни, тъй като групира голям набор от данни в групи
в зависимост от тяхната прилика. Може да бъде използвана и
откриване
на
отклонения,
където
екстремните
за
стойности
(стойности, които са "много далече" от всеки клъстер) могат да бъдат
по-интересни, отколкото често срещаните случаи. Приложенията на
отклоненията или екстремните стойности включват откриване на
измами с кредитни карти и наблюдение на престъпни дейности в
електронната търговия.
June 23, 2026
62

63.

June 23, 2026
63

64. Клъстерен анализ

June 23, 2026
64

65. Техники за извличане на знания от данни

Невронни мрежи – могат да се използват за клъстеризация,
класификация и прогнозиране. Образува се повтарящ цикъл на
обучение, като тегловите коефициенти се променят, докато се
получи действителната стойност на входния параметър. Знанията
се представят като връзки, свързващи набор от условия. Силата на
връзките
определя
свързаността
между
данните.
Според
отношението между факторите и данните се определя силата на
връзката. Необходима е съвкупност от входни параметри, тегла и
математически функции за определяне значението на целевия
показател. При класификацията целта е да се предскаже клас, а
при предсказването се предсказва стойности на непрекъснати
променливи и категорийни данни.
June 23, 2026
65

66. Невронни мрежи

June 23, 2026
66

67. Невронни мрежи

June 23, 2026
67

68.

June 23, 2026
68

69. Техники за извличане на знания от данни

Асоциативни правила – данните се разпределят чрез правила,
подобни на класификационните, като добавим че могат да
предвиждат всеки атрибут, не само класа му. Според различните
асоциативни правила могат да се извлекат различни характеристики
на данните. Правилата могат да се извлекат от малка еднородна част
с данни и разумно да се приложат върху по-големи масиви, за да се
постигне по-висока прецизност.
June 23, 2026
69

70. Техники за извличане на знания от данни- асоциативни правила

Обхватът (coverage) или подкрепата (support) на асоциативното
правило е равен на броя на групите, за които то е предсказало
коректно.
Прецизността
(accuracy),
наричана
още
доверие
(confidence) е броя на групите, за които правилото е предсказало
коректно, изразена като отношение от всички групи, върху които
е приложено. Асоциативни правила могат да се извличат от
дървото на решенията или чрез стартиране на процес от изисквания
и проверки. Често се използват правилата от вида „ако то”. Прилагат
се в случаите, когато са налични верижни събития.
June 23, 2026
70

71. Техники за извличане на знания от данни- асоциативни правила

June 23, 2026
71

72. Техники за извличане на знания от данни

Дърво на решенията – използва се класифициране на данните
чрез въпроси и отговори. Техниката използва тежестта на
коефициентите на разпределение на елементите на данните
във все по-малки и по-малки области. Структурира процеса на
вземане на решение
за класифициране на даден обект към
съответстващият му клас чрез проверки на логически условия.
Целта е да се съставят правила за класификация, които са
приложими върху непознатите данни. Разкриват се свойства,
характерни за обкръжението на даден обект. Извършва се анализ
на разпределените обекти и се съставят правила.
June 23, 2026
72

73. Техники за извличане на знания от данни- дърво на решенията

Дървото на решението може да представя класификационни и
регресионни задачи. В първият случай се нарича класификационно
дърво, а във втория регресионно дърво. В процеса на търсене то
представя йерархичен модел на взетите решения и техните
следствия. При графичното му представяне в началото стои коренен
(root) възел. Възел, с излизащи възможни решения от него се
нарича вътрешен (internal) или тестов (test). Всички останали
възли се наричат листа (познати като терминални-terminal или
решаващи-decision).
За
всяко
листо
трябва да
се запише
класификационно правило при класификацията и да се изчислят
стойности или запишат вероятности при регресионното дърво.
June 23, 2026
73

74. Структура на дърво на решението

June 23, 2026
74

75. Пример за дърво на решението

June 23, 2026
75

76. Пример за дърво на решението

June 23, 2026
76

77. Техники за извличане на знания от данни- дърво на решенията

През 1970-те и 1980-те години изследователят в областта на
машинното обучение J. Ross Quinlan разработва алгоритъм за
конструиране на дърво на решението, познат като ID3
(итеративно противопоставяне). По-късно Quinlan представя и
C4.5 (наследник на ID3), който се превръща в критерий за
сравнение за по-новите обучаващи алгоритми с учител.
June 23, 2026
77

78. Архитектура на система за обработка на знания

June 23, 2026
78

79. Обработка на знания

June 23, 2026
79