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: الگوریتم ها و ساختارهای داده ویرایش: نویسندگان: Giovanni Seni. John Elder سری: ISBN (شابک) : 1608452840, 9781608452842 ناشر: سال نشر: 2010 تعداد صفحات: 127 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Ensemble Methods in Data Mining: Improving Accuracy Through Combining Predictions (Synthesis Lectures on Data Mining and Knowledge Discovery) 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 روشهای گروهی در داده کاوی: بهبود دقت از طریق ترکیب پیشبینیها (سخنرانی ترکیبی در مورد داده کاوی و کشف دانش) 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.
روشهای گروهی تأثیرگذارترین پیشرفت در دادهکاوی و یادگیری ماشینی در دهه گذشته نامیده میشوند. آنها چندین مدل را در یک مدل معمولا دقیق تر از بهترین اجزای آن ترکیب می کنند. گروهها میتوانند یک تقویت حیاتی برای چالشهای صنعتی فراهم کنند - از زمانبندی سرمایهگذاری تا کشف دارو، و کشف تقلب تا سیستمهای توصیه - جایی که دقت پیشبینی حیاتیتر از تفسیرپذیری مدل است. مجموعهها با همه الگوریتمهای مدلسازی مفید هستند، اما این کتاب روی درختهای تصمیم تمرکز دارد تا آنها را به وضوح توضیح دهد. پس از تشریح درختان و نقاط قوت و ضعف آنها، نویسندگان یک نمای کلی از منظمسازی ارائه میکنند - که امروزه دلیل کلیدی برای عملکرد برتر الگوریتمهای ترکیبی مدرن است. این کتاب با توصیف روشنی از دو پیشرفت اخیر ادامه مییابد: نمونهگیری مهم (IS) و گروههای قانون (RE). IS روشهای مجموعه کلاسیک را نشان میدهد - کیسهبندی، جنگلهای تصادفی، و تقویت - موارد خاصی از یک الگوریتم واحد هستند، بنابراین نشان میدهند که چگونه میتوان دقت و سرعت آنها را بهبود بخشید. REها مدلهای قوانین خطی هستند که از مجموعههای درخت تصمیم به دست میآیند. آنها قابل تفسیرترین نسخه مجموعه ها هستند که برای برنامه هایی مانند امتیازدهی اعتبار و تشخیص خطا ضروری است. در نهایت، نویسندگان این پارادوکس را توضیح میدهند که چگونه گروهها با وجود پیچیدگی (ظاهراً بسیار بیشتر) به دقت بیشتری در دادههای جدید دست مییابند. هدف این کتاب محققان و متخصصان تحلیلی مبتدی و پیشرفته - بهویژه در مهندسی، آمار و علوم رایانه است. کسانی که در معرض کمی از مجموعه ها هستند، یاد خواهند گرفت که چرا و چگونه از این روش دستیابی به موفقیت استفاده کنند، و متخصصان پیشرفته بینشی در مورد ساخت مدل های حتی قدرتمندتر به دست خواهند آورد. در سرتاسر، تکههایی از کد در R ارائه میشود تا الگوریتمهای توصیفشده را نشان دهد و خواننده را تشویق کند تا تکنیکها را امتحان کند.
Ensemble methods have been called the most influential development in Data Mining and Machine Learning in the past decade. They combine multiple models into one usually more accurate than the best of its components. Ensembles can provide a critical boost to industrial challenges -- from investment timing to drug discovery, and fraud detection to recommendation systems -- where predictive accuracy is more vital than model interpretability. Ensembles are useful with all modeling algorithms, but this book focuses on decision trees to explain them most clearly. After describing trees and their strengths and weaknesses, the authors provide an overview of regularization -- today understood to be a key reason for the superior performance of modern ensembling algorithms. The book continues with a clear description of two recent developments: Importance Sampling (IS) and Rule Ensembles (RE). IS reveals classic ensemble methods -- bagging, random forests, and boosting -- to be special cases of a single algorithm, thereby showing how to improve their accuracy and speed. REs are linear rule models derived from decision tree ensembles. They are the most interpretable version of ensembles, which is essential to applications such as credit scoring and fault diagnosis. Lastly, the authors explain the paradox of how ensembles achieve greater accuracy on new data despite their (apparently much greater) complexity.This book is aimed at novice and advanced analytic researchers and practitioners -- especially in Engineering, Statistics, and Computer Science. Those with little exposure to ensembles will learn why and how to employ this breakthrough method, and advanced practitioners will gain insight into building even more powerful models. Throughout, snippets of code in R are provided to illustrate the algorithms described and to encourage the reader to try the techniques.