دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Data Mining Algorithms in C++. Data Patterns and Algorithms for modern Applications
دانلود کتاب الگوریتم های داده کاوی در C++. الگوهای داده و الگوریتم‌ها برای کاربردهای مدرن
مشخصات کتاب
Data Mining Algorithms in C++. Data Patterns and Algorithms for modern Applications
ویرایش:
نویسندگان: Timothy Masters
سری:
ISBN (شابک) : 9781484233153
ناشر: Apress
سال نشر: 2018
تعداد صفحات: 293
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
قیمت کتاب (تومان) : 30,000
در صورت تبدیل فایل کتاب Data Mining Algorithms in C++. Data Patterns and Algorithms for modern 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 الگوریتم های داده کاوی در C++. الگوهای داده و الگوریتم‌ها برای کاربردهای مدرن 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 الگوریتم های داده کاوی در C++. الگوهای داده و الگوریتم‌ها برای کاربردهای مدرن
روابط پنهان بین متغیرهای داده های خود را کشف کنید و یاد بگیرید که چگونه از این روابط بهره برداری کنید. این کتاب مجموعه ای از الگوریتم های داده کاوی را ارائه می دهد که در طیف گسترده ای از کاربردهای پیش بینی و طبقه بندی موثر هستند. همه الگوریتم‌ها شامل توضیح بصری عملیات، معادلات اساسی، ارجاع به تئوری دقیق‌تر و کد منبع C++ هستند. بسیاری از این تکنیک‌ها پیشرفت‌های اخیر هستند و هنوز به طور گسترده مورد استفاده قرار نگرفته‌اند. برخی دیگر الگوریتم های استانداردی هستند که ظاهری تازه دارند. در هر مورد، تمرکز بر روی کاربرد عملی است، با تمام کدها به گونه ای نوشته شده است که به راحتی می تواند در هر برنامه ای گنجانده شود. برنامه DATAMINE مبتنی بر ویندوز به شما این امکان را می دهد که تکنیک ها را قبل از ترکیب آنها در کار خود آزمایش کنید. آنچه یاد خواهید گرفت از تست‌های جایگشت مونت کارلو برای ارائه ارزیابی‌های آماری صحیح از روابط موجود در داده‌های خود استفاده کنید کشف کنید که چگونه اعتبارسنجی متقارن ترکیبی نشان می‌دهد که آیا مدل شما دارای قدرت واقعی است یا نویز را با اضافه کردن داده‌ها یاد گرفته است. یادگیری مبتنی بر انرژی برای رتبه‌بندی متغیرها بر اساس قدرت پیش‌بینی آنها در زمانی که داده‌های بسیار کمی برای روش‌های سنتی وجود دارد ببینید چگونه ساختار ویژه یک مجموعه داده، خوشه‌بندی متغیرها را در گروه‌هایی که فقط در زیرفضاهای معنی‌دار داده‌ها وجود دارند را امکان‌پذیر می‌سازد. بین تراکم حاشیه ای و واقعی، یا جایی که مشارکت در اطلاعات متقابل زیاد است، اختلاف نظر وجود دارد. اگرچه تمام نمونه‌های کد به زبان C++ نوشته شده‌اند، اما الگوریتم‌ها با جزئیات کافی توضیح داده شده‌اند که به راحتی می‌توان آنها را به هر زبانی برنامه‌ریزی کرد.
توضیحاتی درمورد کتاب به خارجی
Discover hidden relationships among the variables in your data, and learn how to exploit these relationships. This book presents a collection of data-mining algorithms that are effective in a wide variety of prediction and classification applications. All algorithms include an intuitive explanation of operation, essential equations, references to more rigorous theory, and commented C++ source code. Many of these techniques are recent developments, still not in widespread use. Others are standard algorithms given a fresh look. In every case, the focus is on practical applicability, with all code written in such a way that it can easily be included into any program. The Windows-based DATAMINE program lets you experiment with the techniques before incorporating them into your own work. What You'll Learn Use Monte-Carlo permutation tests to provide statistically sound assessments of relationships present in your data Discover how combinatorially symmetric cross validation reveals whether your model has true power or has just learned noise by overfitting the data Work with feature weighting as regularized energy-based learning to rank variables according to their predictive power when there is too little data for traditional methods See how the eigenstructure of a dataset enables clustering of variables into groups that exist only within meaningful subspaces of the data Plot regions of the variable space where there is disagreement between marginal and actual densities, or where contribution to mutual information is high Who This Book Is For Anyone interested in discovering and exploiting relationships among variables. Although all code examples are written in C++, the algorithms are described in sufficient detail that they can easily be programmed in any language.
فهرست مطالب
Table of Contents About the Author About the Technical Reviewers Introduction Chapter 1: Information and Entropy Entropy Entropy of a Continuous Random Variable Partitioning a Continuous Variable for Entropy An Example of Improving Entropy Joint and Conditional Entropy Code for Conditional Entropy Mutual Information Fano’s Bound and Selection of Predictor Variables Confusion Matrices and Mutual Information Extending Fano’s Bound for Upper Limits Simple Algorithms for Mutual Information The TEST_DIS Program Continuous Mutual Information The Parzen Window Method Adaptive Partitioning The TEST_CON Program Asymmetric Information Measures Uncertainty Reduction Transfer Entropy: Schreiber’s Information Transfer Chapter 2: Screening for Relationships Simple Screening Methods Univariate Screening Bivariate Screening Forward Stepwise Selection Forward Selection Preserving Subsets Backward Stepwise Selection Criteria for a Relationship Ordinary Correlation Nonparametric Correlation Accommodating Simple Nonlinearity Chi-Square and Cramer’s V Mutual Information and Uncertainty Reduction Multivariate Extensions Permutation Tests A Modestly Rigorous Statement of the Procedure A More Intuitive Approach Serial Correlation Can Be Deadly Permutation Algorithms Outline of the Permutation Test Algorithm Permutation Testing for Selection Bias Combinatorially Symmetric Cross Validation The CSCV Algorithm An Example of CSCV OOS Testing Univariate Screening for Relationships Three Simple Examples Bivariate Screening for Relationships Stepwise Predictor Selection Using Mutual Information Maximizing Relevance While Minimizing Redundancy Code for the Relevance Minus Redundancy Algorithm An Example of Relevance Minus Redundancy A Superior Selection Algorithm for Binary Variables FREL for High-Dimensionality, Small Size Datasets Regularization Interpreting Weights Bootstrapping FREL Monte Carlo Permutation Tests of FREL General Statement of the FREL Algorithm Multithreaded Code for FREL Some FREL Examples Chapter 3: Displaying Relationship Anomalies Marginal Density Product Actual Density Marginal Inconsistency Mutual Information Contribution Code for Computing These Plots Comments on Showing the Display Chapter 4: Fun with Eigenvectors Eigenvalues and Eigenvectors Principal Components (If You Really Must) The Factor Structure Is More Interesting A Simple Example Rotation Can Make Naming Easier Code for Eigenvectors and Rotation Eigenvectors of a Real Symmetric Matrix Factor Structure of a Dataset Varimax Rotation Horn’s Algorithm for Determining Dimensionality Code for the Modified Horn Algorithm Clustering Variables in a Subspace Code for Clustering Variables Separating Individual from Common Variance Log Likelihood the Slow, Definitional Way Log Likelihood the Fast, Intelligent Way The Basic Expectation Maximization Algorithm Code for Basic Expectation Maximization Accelerating the EM Algorithm Code for Quadratic Acceleration with DECME-2s Putting It All Together Thoughts on My Version of the Algorithm Measuring Coherence Code for Tracking Coherence Coherence in the Stock Market Chapter 5: Using the DATAMINE Program File/Read Data File File/Exit Screen/Univariate Screen Screen/Bivariate Screen Screen/Relevance Minus Redundancy Screen/FREL Analyze/Eigen Analysis Analyze/Factor Analysis Analyze/Rotate Analyze/Cluster Variables Analyze/Coherence Plot/Series Plot/Histogram Plot/Density Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Brecht in Practice: Theatre, Theory and Performance
دانلود کتاب الجغرافيا. الأوّل الإعداديّ
