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: Attoh-Okine. Nii O
سری: Wiley series in operations research and management science
ISBN (شابک) : 9781119229056, 1119229073
ناشر: John Wiley & Sons
سال نشر: 2017
تعداد صفحات: 252
[259]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 Mb
در صورت تبدیل فایل کتاب Big data and differential privacy : analysis strategies for railway track engineering 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 داده های بزرگ و حریم خصوصی دیفرانسیل: استراتژی های تجزیه و تحلیل برای مهندسی راه آهن 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.
Content: Cover
Title Page
Copyright
Contents
Preface
Acknowledgments
Chapter 1 Introduction
1.1 General
1.2 Track Components
1.3 Characteristics of Railway Track Data
1.4 Railway Track Engineering Problems
1.5 Wheel-Rail Interface Data
1.5.1 Switches and Crossings
1.6 Geometry Data
1.7 Track Geometry Degradation Models
1.7.1 Deterministic Models
1.7.1.1 Linear Models
1.7.1.2 Nonlinear Models
1.7.2 Stochastic Models
1.7.3 Discussion
1.8 Rail Defect Data
1.9 Inspection and Detection Systems
1.10 Rail Grinding
1.11 Traditional Data Analysis Techniques
1.11.1 Emerging Data Analysis. 1.12 RemarksReferences
Chapter 2 Data Analysis --
Basic Overview
2.1 Introduction
2.2 Exploratory Data Analysis (EDA)
2.3 Symbolic Data Analysis
2.3.1 Building Symbolic Data
2.3.2 Advantages of Symbolic Data
2.4 Imputation
2.5 Bayesian Methods and Big Data Analysis
2.6 Remarks
References
Chapter 3 Machine Learning: A Basic Overview
3.1 Introduction
3.2 Supervised Learning
3.3 Unsupervised Learning
3.4 Semi-Supervised Learning
3.5 Reinforcement Learning
3.6 Data Integration
3.7 Data Science Ontology
3.7.1 Kernels
3.7.1.1 General
3.7.1.2 Learning Process. 3.7.2 Basic Operations with Kernels3.7.3 Different Kernel Types
3.7.4 Intuitive Example
3.7.5 Kernel Methods
3.7.5.1 Support Vector Machines
3.8 Imbalanced Classification
3.9 Model Validation
3.9.1 Receiver Operating Characteristic (ROC) Curves
3.9.1.1 ROC Curves
3.10 Ensemble Methods
3.10.1 General
3.10.2 Bagging
3.10.3 Boosting
3.11 Big P and Small N (P k N)
3.11.1 Bias and Variances
3.11.2 Multivariate Adaptive Regression Splines (MARS)
3.12 Deep Learning
3.12.1 General
3.12.2 Deep Belief Networks
3.12.2.1 Restricted Boltzmann Machines (RBM). 3.12.2.2 Deep Belief Nets (DBN)3.12.3 Convolutional Neural Networks (CNN)
3.12.4 Granular Computing (Rough Set Theory)
3.12.5 Clustering
3.12.5.1 Measures of Similarity or Dissimilarity
3.12.5.2 Hierarchical Methods
3.12.5.3 Non-Hierarchical Clustering
3.12.5.4 k-Means Algorithm
3.12.5.5 Expectation-Maximization (EM) Algorithms
3.13 Data Stream Processing
3.13.1 Methods and Analysis
3.13.2 LogLog Counting
3.13.3 Count-Min Sketch
3.13.3.1 Online Support Regression
3.14 Remarks
References
Chapter 4 Basic Foundations of Big Data
4.1 Introduction
4.2 Query. 4.3 Taxonomy of Big Data Analytics in Railway Track Engineering4.4 Data Engineering
4.5 Remarks
References
Chapter 5 Hilbert-Huang Transform, Profile, Signal, and Image Analysis
5.1 Hilbert-Huang Transform
5.1.1 Traditional Empirical Mode Decomposition
5.1.1.1 Side Effect (Boundary Effect)
5.1.1.2 Example
5.1.1.3 Stopping Criterion
5.1.2 Ensemble Empirical Mode Decomposition (EEMD)
5.1.2.1 Post-Processing EEMD
5.1.3 Complex Empirical Mode Decomposition (CEMD)
5.1.4 Spectral Analysis
5.1.5 Bidimensional Empirical Mode Decomposition (BEMD)
5.1.5.1 Example.