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: [2 ed.] نویسندگان: Sholom M. Weiss, Nitin Indurkhya, Tong Zhang (auth.) سری: Texts in Computer Science ISBN (شابک) : 9781447167495, 9781447167501 ناشر: Springer-Verlag London سال نشر: 2015 تعداد صفحات: XIII, 239 [249] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 Mb
در صورت تبدیل فایل کتاب Fundamentals of Predictive Text Mining 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 مبانی متن کاوی پیش بینی 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 درسی موفق در زمینه پیشبینی متن کاوی، دیدگاهی یکپارچه را در زمینهای به سرعت در حال تحول ارائه میکند، و موضوعاتی را در بر میگیرد که رشتههای مختلف علوم داده، یادگیری ماشین، پایگاههای داده، و زبانشناسی محاسباتی را در بر میگیرد. این کتاب منحصر به فرد که به عنوان یک راهنمای عملی نیز خدمت می کند، توصیه های مفیدی را ارائه می دهد که با مثال ها و مطالعات موردی نشان داده شده است. این نسخه دوم بسیار مورد انتظار با مطالب جدید در مورد یادگیری عمیق، مدلهای نمودار، استخراج رسانههای اجتماعی، خطاها و مشکلات در ارزیابی دادههای بزرگ، تجزیه و تحلیل احساسات توییتر و بحث تجزیه وابستگی بهطور کامل بازبینی و گسترش یافته است. محتوای کاملاً به روز شده همچنین دارای بحث های عمیق در مورد موضوعات طبقه بندی اسناد، بازیابی اطلاعات، خوشه بندی و سازماندهی اسناد، استخراج اطلاعات، منبع یابی داده های مبتنی بر وب، و پیش بینی و ارزیابی است. ویژگی ها: شامل خلاصه فصل و تمرین. کاربرد هر روش را بررسی می کند. چندین مطالعه موردی را ارائه می دهد. حاوی پیوندهایی به نرم افزار متن کاوی رایگان است.
This successful textbook on predictive text mining offers a unified perspective on a rapidly evolving field, integrating topics spanning the varied disciplines of data science, machine learning, databases, and computational linguistics. Serving also as a practical guide, this unique book provides helpful advice illustrated by examples and case studies. This highly anticipated second edition has been thoroughly revised and expanded with new material on deep learning, graph models, mining social media, errors and pitfalls in big data evaluation, Twitter sentiment analysis, and dependency parsing discussion. The fully updated content also features in-depth discussions on issues of document classification, information retrieval, clustering and organizing documents, information extraction, web-based data-sourcing, and prediction and evaluation. Features: includes chapter summaries and exercises; explores the application of each method; provides several case studies; contains links to free text-mining software.