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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Yuichi Motai سری: ISBN (شابک) : 9781119019329 ناشر: Wiley سال نشر: 2015 تعداد صفحات: 315 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل داده های Variant هسته: علوم و مهندسی کامپیوتر، هوش مصنوعی، داده کاوی
در صورت تبدیل فایل کتاب Data-Variant Kernel Analysis 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 های Variant هسته 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.
انواع روش های تجزیه و تحلیل هسته را برای انواع داده ها که در سال های اخیر به شدت مورد مطالعه قرار گرفته اند، توصیف و بحث می کند. این کتاب موضوعات تجزیه و تحلیل هسته از نظریه بنیادی توابع هسته تا کاربردهای آن را پوشش می دهد. این کتاب وضعیت فعلی، روندهای محبوب و تحولات در مطالعات تجزیه و تحلیل هسته را بررسی می کند. نویسنده الگوریتمهای یادگیری هستههای متعدد و چگونگی انتخاب هستههای مناسب در مرحله یادگیری را مورد بحث قرار میدهد. تجزیه و تحلیل هسته متغیر داده یک چارچوب تحلیل الگوی جدید برای انواع مختلف پیکربندی داده ها است. فصول شامل تشکیل دادههای آفلاین، توزیعشده، آنلاین، ابری و دادههای طولی است که برای تجزیه و تحلیل هسته برای طبقهبندی و پیشبینی وضعیت آینده استفاده میشود.
Describes and discusses the variants of kernel analysis methods for data types that have been intensely studied in recent years. This book covers kernel analysis topics ranging from the fundamental theory of kernel functions to its applications. The book surveys the current status, popular trends, and developments in kernel analysis studies. The author discusses multiple kernel learning algorithms and how to choose the appropriate kernels during the learning phase. Data-Variant Kernel Analysis is a new pattern analysis framework for different types of data configurations. The chapters include data formations of offline, distributed, online, cloud, and longitudinal data, used for kernel analysis to classify and predict future state.