ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Clustering and classification of analytical data

دانلود کتاب طبقه بندی و طبقه بندی داده های تحلیلی

Clustering and classification of analytical data

مشخصات کتاب

Clustering and classification of analytical data

دسته بندی: سازمان و پردازش داده ها
ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 0471976709 
ناشر:  
سال نشر: 2000 
تعداد صفحات: 21 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 182 کیلوبایت

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 18


در صورت تبدیل فایل کتاب Clustering and classification of analytical 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 طبقه بندی و طبقه بندی داده های تحلیلی 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.


توضیحاتی در مورد کتاب طبقه بندی و طبقه بندی داده های تحلیلی

خوشه بندی و طبقه بندی زیرشاخه های اصلی تکنیک های تشخیص الگو هستند. با استفاده از این تکنیک‌ها، نمونه‌ها را می‌توان بر اساس یک ویژگی خاص با اندازه‌گیری‌هایی که به طور غیرمستقیم با ویژگی مورد نظر مرتبط است (مانند نوع سوخت مسئول نشت زیرزمینی) طبقه‌بندی کرد. یک رابطه تجربی یا قانون طبقه‌بندی می‌تواند از مجموعه‌ای از نمونه‌ها ایجاد شود که ویژگی‌های مورد علاقه و اندازه‌گیری‌ها برای آنها شناخته شده است. سپس قانون طبقه‌بندی می‌تواند برای پیش‌بینی ویژگی در نمونه‌هایی استفاده شود که بخشی از مجموعه آموزشی اصلی نیستند. مجموعه نمونه‌هایی که ویژگی‌های مورد علاقه و اندازه‌گیری برای آنها شناخته شده است، مجموعه آموزشی نامیده می‌شود. مجموعه اندازه گیری هایی که هر نمونه را در مجموعه داده ها توصیف می کند، الگو نامیده می شود. تعیین خاصیت مورد علاقه با اختصاص یک نمونه به دسته مربوطه آن، شناسایی نامیده می شود، از این رو به آن تشخیص الگو می گویند. برای تجزیه و تحلیل تشخیص الگو، هر نمونه به عنوان یک بردار داده x D (x1، x2، x3، xj، : : :، xn) نشان داده می شود، که در آن جزء xj یک اندازه گیری است، به عنوان مثال. مساحت a قله j در کروماتوگرام. بنابراین، هر نمونه به عنوان یک نقطه در فضای اندازه گیری n بعدی در نظر گرفته می شود. ابعاد فضا مربوط به تعداد اندازه گیری هایی است که برای هر نمونه در دسترس است. یک فرض اساسی این است که فاصله بین جفت نقاط در این فضای اندازه گیری با درجه شباهت بین نمونه های مربوطه رابطه معکوس دارد. نقاطی که نمونه‌های یک کلاس را نشان می‌دهند در ناحیه محدودی از فضای اندازه‌گیری دور از نقاط مربوط به کلاس دیگر خوشه می‌شوند. تشخیص الگو (به عنوان مثال خوشه بندی و طبقه بندی) مجموعه ای از روش ها برای بررسی داده های ارائه شده به این روش، به منظور ارزیابی ساختار کلی آن است، که به عنوان رابطه کلی هر نمونه با یکدیگر در مجموعه داده تعریف می شود.


توضیحاتی درمورد کتاب به خارجی

Clustering and classification are the major subdivisions of pattern recognition techniques. Using these techniques, samples can be classified according to a specific property by measurements indirectly related to the property of interest (such as the type of fuel responsible for an underground spill). An empirical relationship or classification rule can be developed from a set of samples for which the property of interest and the measurements are known. The classification rule can then be used to predict the property in samples that are not part of the original training set.The set of samples for which the property of interest and measurements is known is called the training set. The set of measurements that describe each sample in the data set is called a pattern. The determination of the property of interest by assigning a sample to its respective category is called recognition, hence the term pattern recognition. For pattern recognition analysis, each sample is represented as a data vector x D (x1, x2, x3, xj, : : : , xn), where component xj is a measurement, e.g. the area a of the jth peak in a chromatogram. Thus, each sample is considered as a point in an n-dimensional measurement space. The dimensionality of the space corresponds to the number of measurements that are available for each sample. A basic assumption is that the distance between pairs of points in this measurement space is inversely related to the degree of similarity between the corresponding samples. Points representing samples from one class will cluster in a limited region of the measurement space distant from the points corresponding to the other class. Pattern recognition (i.e. clustering and classification) is a set of methods for investigating data represented in this manner, in order to assess its overall structure, which is defined as the overall relationship of each sample to every other in the data set.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی