Rozdział 1 Gęstość przestrzenna - przegląd danych i modeli 1.1. Ramy analizy gęstości przestrzennej 1.2. Przegląd metod 1.3. Gęstość przestrzenna w naukach społecznych Rozdział 2 Metody klastrowania w modelowaniu gęstości przestrzennej 2.1. K-średnich, samoorganizujące się mapy i hierarchiczne klastrowanie współrzędnych geograficznych 2.2. Szybkie klastrowanie gęstości (Quick Density Clustering, QDC) 2.3. DBSCAN (gęstościowe klastrowanie przestrzenne aplikacji z szumem) i jego rozszerzenia 2.3.1. DBSCAN w 2D 2.3.2. DBSCAN w 3D 2.3.3. Problemy z DBSCAN i jego rozszerzeniami (hierarchiczny DBSCAN, przestrzenno-czasowy DBSCAN) 2.4. LOF, GLOSH i OPTICS jako diagnostyka DBSCAN 2.4.1. Lokalny współczynnik wartości odstających (LOF) 2.4.2. Globalny i lokalny wynik odstający w hierarchii (GLOSH) 2.4.3. Porządkowanie punktów w celu identyfikacji struktury klastrów (OPTICS) 2.4.4. Analiza empiryczna miar diagnostyki LOF, GLOSH i OPTICS 89 2.5. Klastrowanie szczytów gęstości (DPC) 2.6. Skanowanie przestrzenne (Statystyka Kulldorffa) 2.7. Klastrowanie Voronoia Rozdział 3 Metody statystyczne do badania koncentracji, aglomeracji i gęstości przestrzennej 3.1. SPAG - miara aglomeracji przestrzennej 3.2. Entropia gęstości przestrzennej do pomiaru aglomeracji przestrzennej 3.2.1. Test Clarka-Evansa 3.2.2. ETA (entropia-teselacja-aglomeracja) jako miara aglomeracji 3.2.3. Lokalna entropia w ruchomym oknie (FLE) 3.3. Entropia i wzajemna informacja klastrów gęstości w zrozumieniu struktury biznesowej 3.4. Przestrzenna estymacja funkcji gęstości jądra (KDE) 3.4.1. Tradycyjne podejście przestrzenne do estymacji gęstości jądra (KDE) 3.4.2. Klastrowanie metodą k-średnich wyników KDE 3.4.3. Entropia sklastrowanego KDE 3.4.4. Indeks Rand dla sklastrowanego KDE 3.4.5. Klastrowanie szeregów przestrzennych wektorów KDE 3.5. Przestrzenne ryzyko względne - porównanie gęstości dwóch grup 3.6. Rozkład przestrzenny Benforda i naturalny rozkład przestrzenny 3.7. Gęstość kierunkowa z wykresem róży Rozdział 4 Modele ekonometryczne i uczenia maszynowego uwzględniające gęstość przestrzenną 4.1. Dane dotyczące gęstości przestrzennej w modelach ekonometrycznych 4.2. Macierze wag przestrzennych dla danych punktowych oparte na k najbliższych sąsiadów oraz teselacji Voronoia 4.3. Regresja ważona geograficznie (GWR) - klastrowanie, kwestie czasowe, algorytm lasu losowego 4.3.1. Wprowadzenie do GWR - ogólne zasady, stacjonarność, funkcje gęstości jądra 4.3.2. Dryf przestrzenny 4.3.3. GWR w badaniu stabilności czasowo-przestrzennej 4.3.4. Geograficznie ważony las losowy (GWRF) 4.3.5. Przegląd literatury dotyczącej GWR 4.4. Bootstrapowane modele ekonometrii przestrzennej wykorzystujące teselację Voronoia i przestrzeń skalibrowaną gęstością 4.5. Modele ekonometryczne i modele uczenia maszynowego na danych w grid 2 4.6. Model elastyczności dla lokalnej gęstości