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: 1 نویسندگان: Charu C. Aggarwal, Chandan K. Reddy سری: ISBN (شابک) : 1466558229, 9781466558229 ناشر: CRC Press سال نشر: 2014 تعداد صفحات: 648 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب Data Clustering: Algorithms and Applications 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 خوشه بندی داده ها: الگوریتم ها و برنامه 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.
تحقیقات در مورد مشکل خوشهبندی در جوامع تشخیص الگو، پایگاه
داده، داده کاوی و یادگیری ماشین تکه تکه میشود. با پرداختن به
این مشکل به روشی یکپارچه، خوشهبندی دادهها: الگوریتمها و
برنامهها پوشش کاملی از کل منطقه خوشهبندی، از روشهای اساسی تا
رویکردهای خوشهبندی دادههای دقیقتر و پیچیدهتر را فراهم
میکند. این کتاب به مسائل اخیر در نمودارها، شبکههای اجتماعی و
سایر حوزهها توجه ویژه دارد.
این کتاب بر سه جنبه اصلی خوشهبندی دادهها تمرکز دارد:
روشها، توصیف تکنیکهای کلیدی معمولاً برای خوشهبندی، مانند
انتخاب ویژگی، خوشهبندی تجمعی، خوشهبندی پارتیشنی، خوشهبندی
مبتنی بر چگالی، خوشهبندی احتمالی، خوشهبندی مبتنی بر شبکه،
خوشهبندی طیفی، و فاکتورسازی ماتریس غیرمنفی
دامنهها، روشهای پوششی مورد استفاده برای حوزههای مختلف داده،
مانند دادههای طبقهبندی، دادههای متنی، دادههای چند رسانهای،
دادههای نموداری، دادههای بیولوژیکی، دادههای جریانی، دادههای
نامشخص، خوشهبندی سریهای زمانی، خوشهبندی با ابعاد بالا، و
دادههای بزرگ
تغییرات و بینشها، بحث در مورد تغییرات مهم فرآیند خوشهبندی
مانند خوشهبندی نیمهنظارتشده، خوشهبندی تعاملی، خوشهبندی چند
نمایه، مجموعههای خوشهای، و اعتبارسنجی خوشهای
در این کتاب، محققان برتر از سراسر جهان به بررسی ویژگیهای
مشکلات خوشهبندی در حوزههای کاربردی مختلف میپردازند. آنها
همچنین توضیح میدهند که چگونه میتوان بینش دقیقی از فرآیند
خوشهبندی به دست آورد.
Research on the problem of clustering tends to be fragmented
across the pattern recognition, database, data mining, and
machine learning communities. Addressing this problem in a
unified way, Data Clustering: Algorithms and Applications
provides complete coverage of the entire area of clustering,
from basic methods to more refined and complex data clustering
approaches. It pays special attention to recent issues in
graphs, social networks, and other domains.
The book focuses on three primary aspects of data
clustering:
Methods, describing key techniques commonly used for
clustering, such as feature selection, agglomerative
clustering, partitional clustering, density-based clustering,
probabilistic clustering, grid-based clustering, spectral
clustering, and nonnegative matrix factorization
Domains, covering methods used for different domains of data,
such as categorical data, text data, multimedia data, graph
data, biological data, stream data, uncertain data, time series
clustering, high-dimensional clustering, and big data
Variations and Insights, discussing important variations of the
clustering process, such as semisupervised clustering,
interactive clustering, multiview clustering, cluster
ensembles, and cluster validation
In this book, top researchers from around the world explore the
characteristics of clustering problems in a variety of
application areas. They also explain how to glean detailed
insight from the clustering processOCoincluding how to verify
the quality of the underlying clustersOCothrough supervision,
human intervention, or the automated generation of alternative
clusters."