Core Concepts in Data Analysis: Summarization, Correlation and Visualization

ویرایش: 1 
نویسندگان: Boris Mirkin (auth.)  
سری: Undergraduate Topics in Computer Science 
ISBN (شابک) : 9780857292865, 9780857292872 
ناشر: Springer-Verlag London 
سال نشر: 2011 
تعداد صفحات: 402 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

قیمت کتاب (تومان) : 51,000



مفاهیم اصلی در تجزیه و تحلیل داده ها: خلاصه سازی، همبستگی و تجسمتوضیحات عمیقی از آن رویکردهای تجزیه و تحلیل داده ارائه می دهد که یا داده ها را خلاصه می کند (تحلیل مؤلفه های اصلی و خوشه‌بندی، از جمله خوشه‌بندی سلسله مراتبی و شبکه) یا جنبه‌های مختلف داده‌ها (درخت تصمیم، قوانین خطی، شبکه‌های عصبی و قانون بیز) را به هم مرتبط می‌کند.

بوریس میرکین رویکردی غیرمتعارف دارد و مفهوم خلاصه‌سازی داده‌های چند متغیره را به عنوان همتای طرح‌های پیش‌بینی یادگیری ماشین معمولی، با استفاده از تکنیک‌های آمار، تجزیه و تحلیل داده، داده‌کاوی، یادگیری ماشین، هوش محاسباتی و بازیابی اطلاعات معرفی می‌کند.

< p> نوآوری های حاصل از تجزیه و تحلیل عمیق او از مدل های زیربنایی تکنیک های خلاصه سازی معرفی شده و برای مسائل چالش برانگیز مانند تعداد خوشه ها، استانداردسازی داده ها در مقیاس مختلط، تفسیر راه حل ها، و همچنین شرط بندی روابط اعمال می شود. بین مفاهیم به ظاهر نامرتبط: توابع مناسب برای طبقه‌بندی درختان و استانداردسازی داده‌ها، خوشه‌بندی طیفی و خوشه‌بندی افزایشی، همبستگی و تجسم داده‌های احتمالی.

جزئیات ریاضی در بخش‌های به اصطلاح «فرمول‌سازی» محصور می‌شوند، در حالی که بیشتر مطالب از طریق بخش‌های «ارائه» ارائه می‌شوند که روش‌ها را با استفاده از آن‌ها در موارد واقعی کوچک توضیح می‌دهند. مجموعه داده های جهان؛ بخش های مختصر "محاسبات" از مسائل الگوریتمی و کدگذاری اطلاع می دهند.

چهار لایه تمرینات یادگیری فعال و خودآموزی ارائه شده است: نمونه های کار شده، مطالعات موردی، پروژه ها و سوالات.

Core Concepts in Data Analysis: Summarization, Correlation and Visualizationprovides in-depth descriptions of those data analysis approaches that either summarize data (principal component analysis and clustering, including hierarchical and network clustering) or correlate different aspects of data (decision trees, linear rules, neuron networks, and Bayes rule).

Boris Mirkin takes an unconventional approach and introduces the concept of multivariate data summarization as a counterpart to conventional machine learning prediction schemes, utilizing techniques from statistics, data analysis, data mining, machine learning, computational intelligence, and information retrieval.

Innovations following from his in-depth analysis of the models underlying summarization techniques are introduced, and applied to challenging issues such as the number of clusters, mixed scale data standardization, interpretation of the solutions, as well as relations between seemingly unrelated concepts: goodness-of-fit functions for classification trees and data standardization, spectral clustering and additive clustering, correlation and visualization of contingency data.

The mathematical detail is encapsulated in the so-called “formulation” parts, whereas most material is delivered through “presentation” parts that explain the methods by applying them to small real-world data sets; concise “computation” parts inform of the algorithmic and coding issues.

Four layers of active learning and self-study exercises are provided: worked examples, case studies, projects and questions.

Front Matter....Pages i-xx
Introduction: What Is Core....Pages 1-30
1D Analysis: Summarization and Visualization of a Single Feature....Pages 31-65
2D Analysis: Correlation and Visualization of Two Features....Pages 67-112
Learning Multivariate Correlations in Data....Pages 113-172
Principal Component Analysis and SVD....Pages 173-219
K-Means and Related Clustering Methods....Pages 221-281
Hierarchical Clustering....Pages 283-313
Approximate and Spectral Clustering for Network and Affinity Data....Pages 315-356
Back Matter....Pages 357-390