Data Analysis in Bi-partial Perspective: Clustering and Beyond

ویرایش: 1st ed. 
نویسندگان: Jan W. Owsiński  
سری: Studies in Computational Intelligence 818 
ISBN (شابک) : 9783030133887, 9783030133894 
ناشر: Springer International Publishing 
سال نشر: 2020 
تعداد صفحات: 167 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 46,000



این کتاب رویکرد دو جزئی را برای تجزیه و تحلیل داده ها ارائه می دهد، که هم به طور منحصر به فردی کلی است و هم توسعه تکنیک هایی را برای بسیاری از مشکلات تجزیه و تحلیل داده ها، از جمله مدل ها و الگوریتم های مرتبط، امکان پذیر می کند. این مبتنی بر نمایش مناسب مسئله خوشه‌بندی اساسی است: گروه‌بندی موارد مشابه، و جداسازی موارد غیرمشابه. این منجر به یک تابع هدف کلی و متعاقباً به یک کلاس گسترده از پیاده سازی های بتن می شود. با استفاده از این مبنا، می‌توان یک روش زیربهینه‌سازی را همراه با انواع مختلف پیاده‌سازی توسعه داد.

این رویه با الگوریتم‌های ادغام سلسله مراتبی کلاسیک قرابت قابل توجهی دارد، در حالی که قانون توقف را نیز بر اساس تابع هدف ترکیب می‌کند. این رویکرد مسئله شماره خوشه را حل می کند، زیرا راه حل های به دست آمده شامل محتوا و تعداد خوشه ها می شود. علاوه بر این، نشان داده شده است که چگونه اصل دو جزئی می تواند به طور موثر برای طیف گسترده ای از مشکلات در تجزیه و تحلیل داده ها اعمال شود.این کتاب منبع ارزشمندی را برای همه دانشمندان داده ارائه می دهد که مایلند دیدگاه خود را در مورد پایه گسترش دهند. رویکردها و مشکلات اساسی، و در نتیجه یافتن پاسخ برای سؤالاتی که اغلب نادیده گرفته می شوند یا هنوز به طور قانع کننده ای حل نشده اند. همچنین برای دانشجویان تحصیلات تکمیلی در علوم کامپیوتر و داده در نظر گرفته شده است، و دانش و مهارت های آنها را با بینش تازه ای در مورد مشکلاتی که در غیر این صورت به روش استاندارد "آکادمیک" درمان می شوند، تکمیل می کند.

This book presents the bi-partial approach to data analysis, which is both uniquely general and enables the development of techniques for many data analysis problems, including related models and algorithms. It is based on adequate representation of the essential clustering problem: to group together the similar, and to separate the dissimilar. This leads to a general objective function and subsequently to a broad class of concrete implementations. Using this basis, a suboptimising procedure can be developed, together with a variety of implementations.

This procedure has a striking affinity with the classical hierarchical merger algorithms, while also incorporating the stopping rule, based on the objective function. The approach resolves the cluster number issue, as the solutions obtained include both the content and the number of clusters. Further, it is demonstrated how the bi-partial principle can be effectively applied to a wide variety of problems in data analysis.The book offers a valuable resource for all data scientists who wish to broaden their perspective on basic approaches and essential problems, and to thus find answers to questions that are often overlooked or have yet to be solved convincingly. It is also intended for graduate students in the computer and data sciences, and will complement their knowledge and skills with fresh insights on problems that are otherwise treated in the standard “academic” manner.

Front Matter ....Pages i-xix
 Notation and Main Assumptions  (Jan W. Owsiński)....Pages 1-7
 The Problem of Cluster Analysis  (Jan W. Owsiński)....Pages 9-22
 The General Formulation of the Objective Function  (Jan W. Owsiński)....Pages 23-32
 Formulations and Rationales for Other Problems in Data Analysis  (Jan W. Owsiński)....Pages 33-68
 Formulations in Cluster Analysis  (Jan W. Owsiński)....Pages 69-95
 The General Sub-optimisation Algorithm and Its Implementations  (Jan W. Owsiński)....Pages 97-131
 Application to Preference Aggregation  (Jan W. Owsiński)....Pages 133-143
 Final Remarks  (Jan W. Owsiński)....Pages 145-146
Back Matter ....Pages 147-153