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: Joannis Apostolakis (auth.), D. W. M. Hofmann, Liudmila N. Kuleshova (eds.) سری: Structure and Bonding 134 ISBN (شابک) : 9783642047589, 9783642047596 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2010 تعداد صفحات: 180 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب داده کاوی در کریستالوگرافی: شیمی معدنی، کریستالوگرافی، ساختار پروتئین
در صورت تبدیل فایل کتاب Data Mining in Crystallography 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 داده کاوی در کریستالوگرافی 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.
انسانها برای قرنها الگوها را به صورت دستی از دادهها استخراج میکردند، اما افزایش حجم دادهها در دوران مدرن نیازمند رویکردهای خودکار بیشتری است. روشهای اولیه شناسایی الگوها در دادهها عبارتند از قضیه بیز (1700) و تحلیل رگرسیون (1800). تکثیر، فراگیر شدن و قدرت فزاینده فناوری رایانه، جمع آوری و ذخیره سازی داده ها را افزایش داده است. با افزایش اندازه و پیچیدگی مجموعه داده ها، تجزیه و تحلیل مستقیم داده ها - به طور فزاینده ای با پردازش غیرمستقیم و خودکار داده ها تقویت شده است. داده کاوی به عنوان ابزاری برای استخراج الگوهای پنهان از داده ها، با استفاده از توان محاسباتی و به کارگیری تکنیک ها و روش های جدید برای کشف دانش توسعه یافته است. اکتشافات دیگری در علوم کامپیوتر مانند شبکه های عصبی، خوشه بندی، الگوریتم های ژنتیک (دهه 1950)، درختان تصمیم (دهه 1960) و ماشین های بردار پشتیبان (دهه 1980) به این امر کمک کرده است. داده کاوی معمولاً شامل چهار دسته از وظایف است: • طبقه بندی: داده ها را در گروه های از پیش تعیین شده مرتب می کند. به عنوان مثال، یک برنامه ایمیل ممکن است سعی کند یک ایمیل را به عنوان قانونی یا هرزنامه طبقه بندی کند. الگوریتمهای رایج شامل نزدیکترین همسایه، طبقهبندی ساده بیز و شبکه عصبی است. • خوشه بندی: مانند طبقه بندی است اما گروه ها از قبل تعیین نشده اند، بنابراین الگوریتم سعی می کند موارد مشابه را با هم گروه بندی کند. • رگرسیون: تلاش برای یافتن تابعی که داده ها را با کمترین خطا مدل می کند. یک روش رایج استفاده از برنامه ریزی ژنتیکی است. • یادگیری قوانین انجمن: روابط بین متغیرها را جستجو می کند. به عنوان مثال، یک سوپرمارکت ممکن است دادههایی را از آنچه هر مشتری میخرد جمعآوری کند.
Humans have been “manually” extracting patterns from data for centuries, but the increasing volume of data in modern times has called for more automatic approaches. Early methods of identifying patterns in data include Bayes’ theorem (1700s) and Regression analysis (1800s). The proliferation, ubiquity and incre- ing power of computer technology has increased data collection and storage. As data sets have grown in size and complexity, direct hands-on data analysis has - creasingly been augmented with indirect, automatic data processing. Data mining has been developed as the tool for extracting hidden patterns from data, by using computing power and applying new techniques and methodologies for knowledge discovery. This has been aided by other discoveries in computer science, such as Neural networks, Clustering, Genetic algorithms (1950s), Decision trees (1960s) and Support vector machines (1980s). Data mining commonlyinvolves four classes of tasks: • Classi cation: Arranges the data into prede ned groups. For example, an e-mail program might attempt to classify an e-mail as legitimate or spam. Common algorithmsinclude Nearest neighbor,Naive Bayes classi er and Neural network. • Clustering: Is like classi cation but the groups are not prede ned, so the algorithm will try to group similar items together. • Regression: Attempts to nd a function which models the data with the least error. A common method is to use Genetic Programming. • Association rule learning: Searches for relationships between variables. For example, a supermarket might gather data of what each customer buys.
Front Matter....Pages i-xii
An Introduction to Data Mining....Pages 1-35
Data Mining in Organic Crystallography....Pages 37-58
Data Mining for Protein Secondary Structure Prediction....Pages 59-87
Data Mining and Inorganic Crystallography....Pages 89-134
Data Bases, the Base for Data Mining....Pages 135-167
Back Matter....Pages 169-172