ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Data Clustering: Theory, Algorithms, and Applications

دانلود کتاب خوشه بندی داده ها: نظریه، الگوریتم ها و کاربردها

Data Clustering: Theory, Algorithms, and Applications

مشخصات کتاب

Data Clustering: Theory, Algorithms, and Applications

ویرایش:  
نویسندگان: , ,   
سری: ASA-SIAM Series on Statistics and Applied Probability 
ISBN (شابک) : 0898716233, 9780898716238 
ناشر: SIAM, Society for Industrial and Applied Mathematics 
سال نشر: 2007 
تعداد صفحات: 489 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت

قیمت کتاب (تومان) : 47,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Data Clustering: Theory, 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: نظریه، الگوریتم ها و کاربردها 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 خوشه بندی داده ها: نظریه، الگوریتم ها و کاربردها

تجزیه و تحلیل خوشه ای یک فرآیند بدون نظارت است که مجموعه ای از اشیاء را به گروه های همگن تقسیم می کند. این کتاب با اطلاعات اولیه در مورد تجزیه و تحلیل خوشه‌ای، از جمله طبقه‌بندی داده‌ها و معیارهای مشابهت متناظر، شروع می‌شود و پس از آن بیش از 50 الگوریتم خوشه‌بندی در گروه‌ها بر اساس برخی روش‌های پایه خاص مانند سلسله مراتبی، مبتنی بر مرکز و جستجو محور ارائه می‌شود. مواد و روش ها. در نتیجه، خوانندگان و کاربران می توانند به راحتی الگوریتم مناسبی را برای برنامه های خود شناسایی کرده و ایده های جدید را با نتایج موجود مقایسه کنند. این کتاب همچنین نمونه هایی از کاربردهای خوشه بندی را برای نشان دادن مزایا و کاستی های معماری ها و الگوریتم های مختلف خوشه بندی ارائه می دهد. زمینه های کاربردی شامل تشخیص الگو، هوش مصنوعی، فناوری اطلاعات، پردازش تصویر، زیست شناسی، روانشناسی و بازاریابی است. خوانندگان همچنین می آموزند که چگونه با زبان های برنامه نویسی C/C++ و MATLAB® تجزیه و تحلیل خوشه ای انجام دهند. مخاطب گروه های زیر این کتاب را یک ابزار و مرجع ارزشمند خواهند یافت: آمارگیران کاربردی; مهندسین و دانشمندان با استفاده از تجزیه و تحلیل داده ها؛ محققان در تشخیص الگو، هوش مصنوعی، یادگیری ماشین و داده کاوی؛ و ریاضیدانان کاربردی مربیان همچنین می توانند از آن به عنوان یک کتاب درسی برای یک دوره مقدماتی در تجزیه و تحلیل خوشه ای یا به عنوان منبع منبع برای مقدمه ای در سطح فارغ التحصیلی برای داده کاوی استفاده کنند. مطالب مقدمه; فصل 1: خوشه بندی داده ها. فصل 2: ​​انواع داده ها. فصل 3: تبدیل مقیاس. فصل 4: استانداردسازی و تبدیل داده ها. فصل 5: تجسم داده ها. فصل ششم: اقدامات تشابه و عدم تشابه; فصل هفتم: تکنیک های خوشه بندی سلسله مراتبی. فصل 8: الگوریتم های خوشه بندی فازی. فصل نهم: الگوریتم‌های خوشه‌بندی مبتنی بر مرکز. فصل 10: الگوریتم های خوشه بندی مبتنی بر جستجو. فصل 11: الگوریتم های خوشه بندی مبتنی بر نمودار. فصل 12: الگوریتم های خوشه بندی مبتنی بر شبکه. فصل 13: الگوریتم های خوشه بندی مبتنی بر چگالی. فصل 14: الگوریتم های خوشه بندی مبتنی بر مدل. فصل 15: خوشه بندی زیرفضا. فصل شانزدهم: الگوریتم های متفرقه; فصل 17: ارزیابی الگوریتم های خوشه بندی. فصل 18: خوشه بندی داده های بیان ژن. فصل 19: خوشه بندی داده ها در متلب. فصل 20: خوشه بندی در C/C++; پیوست A: برخی از الگوریتم های خوشه بندی. ضمیمه B: ساختار داده درخت Thekd. پیوست ج: کدهای متلب; پیوست D: کدهای C++; شاخص موضوع; فهرست نویسنده


توضیحاتی درمورد کتاب به خارجی

Cluster analysis is an unsupervised process that divides a set of objects into homogeneous groups. This book starts with basic information on cluster analysis, including the classification of data and the corresponding similarity measures, followed by the presentation of over 50 clustering algorithms in groups according to some specific baseline methodologies such as hierarchical, center-based, and search-based methods. As a result, readers and users can easily identify an appropriate algorithm for their applications and compare novel ideas with existing results. The book also provides examples of clustering applications to illustrate the advantages and shortcomings of different clustering architectures and algorithms. Application areas include pattern recognition, artificial intelligence, information technology, image processing, biology, psychology, and marketing. Readers also learn how to perform cluster analysis with the C/C++ and MATLAB® programming languages. Audience The following groups will find this book a valuable tool and reference: applied statisticians; engineers and scientists using data analysis; researchers in pattern recognition, artificial intelligence, machine learning, and data mining; and applied mathematicians. Instructors can also use it as a textbook for an introductory course in cluster analysis or as source material for a graduate-level introduction to data mining. Contents Preface; Chapter 1: Data Clustering; Chapter 2: Data Types; Chapter 3: Scale Conversion; Chapter 4: Data Standardizatin and Transformation; Chapter 5: Data Visualization; Chapter 6: Similarity and Dissimilarity Measures; Chapter 7: Hierarchical Clustering Techniques; Chapter 8: Fuzzy Clustering Algorithms; Chapter 9: Center Based Clustering Algorithms; Chapter 10: Search Based Clustering Algorithms; Chapter 11: Graph Based Clustering Algorithms; Chatper 12: Grid Based Clustering Algorithms; Chapter 13: Density Based Clustering Algorithms; Chapter 14: Model Based Clustering Algorithms; Chapter 15: Subspace Clustering; Chapter 16: Miscellaneous Algorithms; Chapter 17: Evaluation of Clustering Algorithms; Chapter 18: Clustering Gene Expression Data; Chapter 19: Data Clustering in MATLAB; Chapter 20: Clustering in C/C++; Appendix A: Some Clustering Algorithms; Appendix B: Thekd-tree Data Structure; Appendix C: MATLAB Codes; Appendix D: C++ Codes; Subject Index; Author Index



فهرست مطالب

Data Clustering: Theory, Algorithms, and Applications
	ASA-SIAM Series on Statistics and Applied Probability
	ISBN: 978-0-898716-23-8
	Contents
	List of Figures
	List of Tables
	List of Algorithms
	Preface
	Part I Clustering, Data, and Similarity Measures
		Chapter 1 Data Clustering
		Chapter 2 Data Types
		Chapter 3 Scale Conversion
		Chapter 4 Data Standardization and Transformation
		Chapter 5 Data Visualization
		Chapter 6 Similarity and Dissimilarity Measures
	Part II Clustering Algorithms
		Chapter 7 Hierarchical Clustering Techniques
		Chapter 8 Fuzzy Clustering Algorithms
		Chapter 9 Center-based Clustering Algorithms
		Chapter 10 Search-based Clustering Algorithms
		Chapter 11 Graph-based Clustering Algorithms
		Chapter 12 Grid-based Clustering Algorithms
		Chapter 13 Density-based Clustering Algorithms
		Chapter 14 Model-based Clustering Algorithms
		Chapter 15 Subspace Clustering
		Chapter 16 Miscellaneous Algorithms
		Chapter 17 Evaluation of Clustering Algorithms
	Part III Applications of Clustering
		Chapter 18 Clustering Gene Expression Data
	Part IV MATLAB and C++ for Clustering
		Chapter 19 Data Clustering in MATLAB
		Chapter 20 Clustering in C/C++
	Appendix A Some Clustering Algorithms
	Appendix B The kd-tree Data Structure
	Appendix C MATLAB Codes
	Appendix D C++ Codes
	Bibliography
	Subject Index
	Author Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی