Zastosowanie samouczącej się sieci neuronowej typu SOM w analizie koszykowej

• Autorzy: Kamila Migdał-Najman

Warianty tytułu

The Application of Neural Network Self Organizing Map (SOM) in Market Basket Analysis

• Języki publikacji: PL

Abstrakty

Analiza koszykowa jest metodą identyfikacji kombinacji produktów nabywanych razem. Pozwala na wykrywanie powtarzających się, ukrytych powiązań w postaci prostych reguł asocjacyjnych. Jest podstawowym narzędziem analitycznym stosowanym w marketingu detalicznym pomocnym w podejmowaniu wiciu decyzji biznesowych. W artykule zaprezentowano możliwości samouczącej się sieci neuronowej typu SOM w poszukiwaniu wzorców zakupowych klientów i podjęto nad nimi dyskusję. Na szczególną uwagę zasługuje również metoda wizualizacji decyzji zakupowych.(abstrakt oryginalny)

EN

Market basket analysis seeks to identify combinations of items in the form of association rules. It is a basic analytical tool applied in retail marketing which plays a crucial role in decision support and is regarded as a typical field of application for data mining. In this article the neural networks such as Self Organizing Map (SOM) are presented and discussed with respect to their suitability for the discovery of purchase patterns. Particular attention is paid to the visualization of purchase decisions.(original abstract)

Słowa kluczowe

PL

Marketing zakupów; Podejmowanie decyzji; Narzędzia analityczne; Uczenie sieci neuronowych

EN

Buyer marketing; Decision making; Analytical tools; Learning of neural networks

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2010
• Tom: 17
• Numer: nr 107 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 305--315

Twórcy

autor

Kamila Migdał-Najman

• Uniwersytet Gdański

Bibliografia

• Deboeck G., Kohonen Т., Visual Explorations in Finance with Self-Organizing Maps, Springer-Verl London 1998.
• Delgado A., Control of nonlinear systems using a self organizing neural network, "Neural Computin Applications" 2000 no 9.
• Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (red.), Sieci neuronowe, PAN, Akademicka Ofi na Wydawnicza Exit, Warszawa 2000.
• Kohonen Т., Self-Organizing Maps, Springer Series in Information Sciences, Springer-Verlag, ВегГ Heidelberg 1997.
• Migdał-Najman K., Analiza porównawcza własności nienadzorowanych sieci neuronowych typu Se. Organizing Map i Growing Neural Gas w analizie skupień, [w:] Klasyfikacja i analiza danych teoria i zastosowania, Taksonomia 16, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 47, UE, Wrocław 2009, s. 205-213.
• Migdał-Najman K., Najman K., Diagnozowanie kondycji finansowej spółek notowanych na GPW w Warszawie w oparciu o sieć SOM, Zeszyty Naukowe nr 389, Rynek Kapitałowy. Skuteczne inwestowanie, część I, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin 2004, s. 507-519.
• Nong Ye (red.), The Handbook of Data Mining, Lawrence Erlbaum Associates, Publishers, London 2003.
• Papadimitriou S., Mavroudi S., Vladutu L., Pavlides G., Bezerianos А., 77ге supervised network self-organizing map for classification of large data sets, "Applied Intelligence" 2002 no 16, s. 187.
• 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, Finland 1997, s. 4.
• Yin H., Data visualization and manifold mapping using the ViSOM, "Neural Network" 2002, 15.