دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Computational Topology for Data Analysis
دانلود کتاب توپولوژی محاسباتی برای تجزیه و تحلیل داده ها
مشخصات کتاب
Computational Topology for Data Analysis
ویرایش: [New ed.]
نویسندگان: Tamal Krishna Dey. Yusu Wang
سری:
ISBN (شابک) : 1009098160, 9781009098168
ناشر: Cambridge University Press
سال نشر: 2022
تعداد صفحات: 450
[455]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 Mb
قیمت کتاب (تومان) : 58,000
در صورت تبدیل فایل کتاب Computational Topology for Data Analysis 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 توپولوژی محاسباتی برای تجزیه و تحلیل داده ها 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 توپولوژی محاسباتی برای تجزیه و تحلیل داده ها
تحلیل داده‌های توپولوژیکی (TDA) اخیراً به عنوان یک ابزار مناسب برای تجزیه و تحلیل داده‌های پیچیده ظهور کرده است و این منطقه هم از نظر روش‌شناسی و هم از نظر کاربردی رشد قابل توجهی داشته است. این متن جامع و مستقل با ارائه یک پایه محاسباتی و الگوریتمی برای تکنیک‌ها در TDA، دانشجویان و محققان در ریاضیات و علوم کامپیوتر را با وضعیت فعلی این رشته آشنا می‌کند. این کتاب دارای توصیفی از اشیاء و ساختارهای ریاضی در پشت پیشرفت‌های اخیر، الگوریتم‌های درگیر، ملاحظات محاسباتی، و همچنین نمونه‌هایی از ساختارهای توپولوژیکی یا ایده‌هایی است که می‌توانند در برنامه‌های کاربردی مورد استفاده قرار گیرند. این یک درمان کامل از همسانی پایدار همراه با پسوندهای مختلف - مانند تداوم زیگزاگ و پایداری چند پارامتری - و کاربردهای آنها برای انواع مختلف داده‌ها، مانند ابرهای نقطه، مثلث‌سازی‌ها یا داده‌های نموداری را ارائه می‌دهد. سایر موضوعات مهم تحت پوشش عبارتند از نظریه گسسته مورس، ساختار Mapper، چرخه های تولید بهینه، و همچنین پیشرفت های اخیر در تعبیه TDA در چارچوب های یادگیری ماشین.
توضیحاتی درمورد کتاب به خارجی
Topological data analysis (TDA) has emerged recently as a viable tool for analyzing complex data, and the area has grown substantially both in its methodologies and applicability. Providing a computational and algorithmic foundation for techniques in TDA, this comprehensive, self-contained text introduces students and researchers in mathematics and computer science to the current state of the field. The book features a description of mathematical objects and constructs behind recent advances, the algorithms involved, computational considerations, as well as examples of topological structures or ideas that can be used in applications. It provides a thorough treatment of persistent homology together with various extensions – like zigzag persistence and multiparameter persistence – and their applications to different types of data, like point clouds, triangulations, or graph data. Other important topics covered include discrete Morse theory, the Mapper structure, optimal generating cycles, as well as recent advances in embedding TDA within machine learning frameworks.
