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: نویسندگان: Max Garzon, Ching-Chi Yang, Deepak Venugopal, Nirman Kumar, Kalidas Jana, Lih-Yuan Deng سری: ISBN (شابک) : 3031053702, 9783031053702 ناشر: Springer سال نشر: 2022 تعداد صفحات: 276 زبان: English فرمت فایل : RAR (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 14 Mb
در صورت تبدیل فایل کتاب Dimensionality Reduction in Data Science 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 کاهش ابعاد در علم داده 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.
این کتاب مروری عملی و نسبتاً جامع از علم داده از طریق
لنز کاهش ابعاد و همچنین تکنیکهای عملی برای مقابله با مشکلات
دادههای جمعآوریشده در دنیای واقعی ارائه میکند. نتایج و راه
حل های پیشرفته از آمار، علوم کامپیوتر و ریاضیات از دیدگاه یک
متخصص در هر علم حوزه ای مانند زیست شناسی، امنیت سایبری، شیمی،
علوم ورزشی و بسیاری دیگر توضیح داده می شود. روشهای ارزیابی کمی
و کیفی برای پیادهسازی و تأیید راهحلها در دنیای واقعی که منشأ
مشکلات است، توصیف شدهاند.
قابلیت تولید، جمعآوری و ذخیره حجمهای داده به ترتیب بایتهای
ترا و برونروی روزانه بسیار پیشتر است. توانایی ما برای استخراج
اطلاعات مفید با منابع محاسباتی موجود برای بسیاری از
حوزهها.
این کتاب بر علم داده و تعریف مسئله، پاکسازی دادهها، انتخاب و
استخراج ویژگی، روشهای آماری، هندسی، نظری اطلاعات، بیومولکولی و
روشهای یادگیری ماشین برای ابعاد تمرکز دارد. کاهش مجموعه
دادههای بزرگ و حل مسئله، و همچنین ارزیابی مقایسهای راهحلها
در یک محیط واقعی.
این کتاب متخصصانی را که در زمینههای مرتبط با مدرک کارشناسی در
هر حوزه علمی، به ویژه کمی، کار میکنند، هدف قرار میدهد.
خوانندگان باید بتوانند نمونه هایی را در این کتاب دنبال کنند که
هر روش یا تکنیک را معرفی می کند. این مثالهای انگیزشی با تعاریف
دقیق مفاهیم فنی مورد نیاز و ارائه نتایج در موقعیتهای کلی دنبال
میشوند. این مفاهیم نیاز به درجه ای از انتزاع دارند که می توان
آن را با تفسیر مجدد مفاهیم مانند مثال(های مثال) اصلی دنبال کرد.
در نهایت، هر بخش با راهحلهایی برای مشکل(های) اصلی که توسط این
تکنیکها ارائه میشود، بسته میشود، شاید به روشهای مختلفی برای
مقایسه و مقایسه معایب/مزایا با راهحلهای دیگر.
This book provides a practical and fairly comprehensive
review of Data Science through the lens of dimensionality
reduction, as well as hands-on techniques to tackle problems
with data collected in the real world. State-of-the-art results
and solutions from statistics, computer science and mathematics
are explained from the point of view of a practitioner in any
domain science, such as biology, cyber security, chemistry,
sports science and many others. Quantitative and qualitative
assessment methods are described to implement and validate the
solutions back in the real world where the problems
originated.
The ability to generate, gather and store volumes of data in
the order of tera- and exo bytes daily has far outpaced our
ability to derive useful information with available
computational resources for many domains.
This book focuses on data science and problem definition, data
cleansing, feature selection and extraction, statistical,
geometric, information-theoretic, biomolecular and machine
learning methods for dimensionality reduction of big datasets
and problem solving, as well as a comparative assessment of
solutions in a real-world setting.
This book targets professionals working within related fields
with an undergraduate degree in any science area, particularly
quantitative. Readers should be able to follow examples in this
book that introduce each method or technique. These motivating
examples are followed by precise definitions of the technical
concepts required and presentation of the results in general
situations. These concepts require a degree of abstraction that
can be followed by re-interpreting concepts like in the
original example(s). Finally, each section closes with
solutions to the original problem(s) afforded by these
techniques, perhaps in various ways to compare and contrast
dis/advantages to other solutions.