دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Edwin Diday (editor), Rong Guan (editor), Gilbert Saporta (editor), Huiwen Wang (editor) سری: ISBN (شابک) : 1786305763, 9781786305763 ناشر: ISTE Ltd سال نشر: 2020 تعداد صفحات: 258 [245] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 Mb
در صورت تبدیل فایل کتاب Advances in Data Science: Symbolic, Complex, and Network Data به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پیشرفت در علم داده: داده های نمادین، پیچیده و شبکه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
علم داده، آمار، تجزیه و تحلیل داده ها و یادگیری ماشینی را برای دستیابی به درک بهتری از انبوه داده هایی که امروزه تولید می شود و برای بهبود پیش بینی یکسان می کند. انواع خاصی از داده ها (نمادین، شبکه، پیچیده، ترکیبی) به طور فزاینده ای در علم داده رایج است. این داده ها به روش شناسی خاصی نیاز دارند، اما کار مرجع در این زمینه کم است.
پیشرفت در علم داده این شکاف را پر می کند. این مجموعه مجموعه ای از مشارکت های به روز توسط دانشمندان برجسته را پس از دو کارگاه بین المللی که در پکن و پاریس برگزار شد، ارائه می دهد. 10 فصل در چهار بخش سازماندهی شده است: داده های نمادین، داده های پیچیده، داده های شبکه و خوشه بندی. آنها شامل کمک های اساسی و همچنین کاربردهایی در چندین حوزه از جمله تجارت و علوم اجتماعی هستند.
Data science unifies statistics, data analysis and machine learning to achieve a better understanding of the masses of data which are produced today, and to improve prediction. Special kinds of data (symbolic, network, complex, compositional) are increasingly frequent in data science. These data require specific methodologies, but there is a lack of reference work in this field.
Advances in Data Science fills this gap. It presents a collection of up-to-date contributions by eminent scholars following two international workshops held in Beijing and Paris. The 10 chapters are organized into four parts: Symbolic Data, Complex Data, Network Data and Clustering. They include fundamental contributions, as well as applications to several domains, including business and the social sciences.