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: 3
نویسندگان: Runkler T.A
سری:
ISBN (شابک) : 9783658297787, 9783658297794
ناشر: Springer
سال نشر: 2020
تعداد صفحات: 167
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Data analytics 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 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.
این کتاب مقدمه ای جامع بر روش ها و الگوریتم های تحلیل داده های مدرن است. این یک مبنای ریاضی درست ارائه می دهد، مزایا و معایب رویکردهای مختلف را مورد بحث قرار می دهد، و خواننده را قادر می سازد تا راه حل های تجزیه و تحلیل داده ها را برای برنامه های کاربردی دنیای واقعی طراحی و پیاده سازی کند. این کتاب بیش از ده سال است که در دوره داده کاوی در دانشگاه فنی مونیخ مورد استفاده قرار می گیرد. بیشتر محتوا بر اساس نتایج پروژه های تحقیق و توسعه صنعتی در زیمنس است.
This book is a comprehensive introduction to the methods and algorithms of modern data analytics. It provides a sound mathematical basis, discusses advantages and drawbacks of different approaches, and enables the reader to design and implement data analytics solutions for real-world applications. This book has been used for more than ten years in the Data Mining course at the Technical University of Munich. Much of the content is based on the results of industrial research and development projects at Siemens.
Preface Contents List of Symbols 1 Introduction 1.1 It\'s All About Data 1.2 Data Analytics, Data Mining, and Knowledge Discovery References 2 Data and Relations 2.1 The Iris Data Set 2.2 Data Scales 2.3 Set and Matrix Representations 2.4 Relations 2.5 Dissimilarity Measures 2.6 Similarity Measures 2.7 Sequence Relations 2.8 Sampling and Quantization Problems References 3 Data Preprocessing 3.1 Error Types 3.2 Error Handling 3.3 Filtering 3.4 Data Transformation 3.5 Data Integration Problems References 4 Data Visualization 4.1 Diagrams 4.2 Principal Component Analysis 4.3 Multidimensional Scaling 4.4 Sammon Mapping 4.5 Auto-encoder 4.6 Histograms 4.7 Spectral Analysis Problems References 5 Correlation 5.1 Linear Correlation 5.2 Correlation and Causality 5.3 Chi-Square Test for Independence Problems References 6 Regression 6.1 Linear Regression 6.2 Linear Regression with Nonlinear Substitution 6.3 Robust Regression 6.4 Neural Networks 6.5 Radial Basis Function Networks 6.6 Cross-Validation 6.7 Feature Selection Problems References 7 Forecasting 7.1 Finite State Machines 7.2 Recurrent Models 7.3 Autoregressive Models Problems References 8 Classification 8.1 Classification Criteria 8.2 Naive Bayes Classifier 8.3 Linear Discriminant Analysis 8.4 Support Vector Machine 8.5 Nearest Neighbor Classifier 8.6 Learning Vector Quantization 8.7 Decision Trees Problems References 9 Clustering 9.1 Cluster Partitions 9.2 Sequential Clustering 9.3 Prototype-Based Clustering 9.4 Fuzzy Clustering 9.5 Relational Clustering 9.6 Cluster Tendency Assessment 9.7 Cluster Validity 9.8 Self-organizing Map Problems References A Brief Review of Some Optimization Methods A.1 Optimization with Derivatives A.2 Gradient Descent A.3 Lagrange Optimization References Solutions Problems of Chapter 2 Problems of Chapter 3 Problems of Chapter 4 Problems of Chapter 5 Problems of Chapter 6 Problems of Chapter 7 Problems of Chapter 8 Problems of Chapter 9 Index