BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Migdał-Najman Kamila (Uniwersytet Gdański)
Title
Analiza porównawcza samouczących się sieci neuronowych typu SOM i GNG w poszukiwaniu reguł asocjacyjnych
A Comparative Analysis of Self-Learning SOM and GNG Neural Networks in Search of Association Rules
Source
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia (18), 2011, nr 176, s. 272-281, bibliogr. 15 poz.
Research of Wrocław University of Economics
Issue title
Klasyfikacja i analiza danych - teoria i zastosowania
Keyword
Analiza porównawcza, Sieci neuronowe
Comparative analysis, Neural networks
Note
streszcz., sum.
Abstract
W artykule dokonano próby porównania dwóch metod analizy skupień opartych na nienadzorowanym uczeniu sieci neuronowych SOM i GNG w poszukiwaniu reguł asocjacyjnych. Autorka weryfikuje potencjał samouczących się sieci w poszukiwaniu wzorców zakupowych klientów na dwóch zbiorach danych umownych. Wykryte reguły asocjacyjne uzyskane w oparciu o sieć SOM i GNG prezentuje wizualnie ma wykresach sieciowych.(abstrakt oryginalny)

The aim of this article is to illustrate the concepts and attempt to compare the methods of cluster analysis in search of association rules. The paper presents the potential of neural networks such as Self Organizing Map (SOM) and Growing Neural Gas (GNG) in the discovery of consumer behaviour. The detected association rules are presented graphically.(original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
The Main Library of Poznań University of Economics and Business
The Main Library of the Wroclaw University of Economics
Bibliography
Show
  1. Deboeck G., Kohonen T., Visual Explorations in Finance with Self-Organizing Maps, Springer-Verlag, London 1998.
  2. Decker R., Monien K., Market basket analysis with neural gas networks and self-organizing maps, "Journal of Targeting, Measurement and Analysis for Marketing" 2003, vol. 11, no. 4, s. 373-386.
  3. Fritzke B., Growing cell structures - a self-organizing network for unsupervised and supervised learning, "Neural Networks" 1994, vol. 7, no. 9, s. 1441-1460.
  4. Fritzke B., A Growing Neural Gas Network Learns Topologies, Advances in Neural Information Processing Systems, MIT Press, Redmond, Washington 1995.
  5. Giudici P., Applied Data Mining, Statistical Methods for Business and Industry, John Wiley & Sons Ltd., Chichester 2003.
  6. Kohonen T., Self-Organizing Maps, Springer, Heidelberg 1995, 1997, 2001.
  7. Kohonen T., Self-Organizing Neural Projections, "Neural Networks" 2006, vol. 19, no. 6, s. 723-733.
  8. Migdał-Najman K., Analiza porównawcza własności nienadzorowanych sieci neuronowych typu Self Organizing Map i Growing Neural Gas w analizie skupień, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 47, Taksonomia 16, Wyd. Uniwersytetu Ekonomicznego, Wrocław 2009, s. 205-213.
  9. Migdał-Najman K., Zastosowanie samouczącej się sieci neuronowej typu SOM w analizie koszykowej, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 107, Taksonomia 17, Wyd. Uniwersytetu Ekonomicznego, Wrocław 2010, s. 305-315.
  10. Najman K., Zastosowanie nienadzorowanych sieci neuronowych typu Growing Neural Gas w analizie skupień, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 47, Taksonomia 16, Wyd. Uniwersytetu Ekonomicznego, Wrocław 2009, s. 196-204.
  11. Najman K., Ocena wpływu parametrów sterujących procesem samouczenia się sieci GNG na ich zdolność do separowania skupień, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 107, Taksonomia 17, Wyd. Uniwersytetu Ekonomicznego, Wrocław 2010, s. 296-304.
  12. Nong Ye (red.), The Handbook of Data Mining, Lawrence Erlbaum Associates, Publishers, London 2003.
  13. Qin A.K., Suganthan P.N., Robust growing neural gas algorithm with application in cluster analysis, "Neural Networks" 2004, vol. 8-9, no. 17, s. 1135-1148.
  14. Prudent Y., Ennaji A., An Incremental Growing Neural Gas Learns Topologies, Proceedings of International Joint Conference on Neural Networks, 2005, s. 1211-1216.
  15. Vesanto J., Data mining techniques based on the Self-Organizing Map, Thesis for the degree of Master of Science in Engineering, Helsinki University of Technology, Department of Engineering Physics and Mathematics, Espoo 1997, s. 4.
Cited by
Show
ISSN
1899-3192
1505-9332
Language
pol
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu