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: Beatrice Lazzerini (Author), Lakhmi C. Jain (Author), D. Dumitrescu (Author) سری: ISBN (شابک) : 9780849305894, 9780429175428 ناشر: CRC Press سال نشر: 2000 تعداد صفحات: 667 زبان: فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب مجموعه های فازی و کاربرد آنها در خوشه بندی و آموزش: علوم کامپیوتر، مهندسی کامپیوتر، مهندسی و فناوری، مهندسی برق و الکترونیک، ارتباطات مهندسی برق، سیستم های هوشمند
در صورت تبدیل فایل کتاب Fuzzy Sets & their Application to Clustering & Training 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 مجموعه های فازی و کاربرد آنها در خوشه بندی و آموزش 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.
نظریه مجموعه های فازی - و منطق فازی زیربنایی آن - یکی از مهم ترین پارادایم های علمی و فرهنگی را نشان می دهد که در نیم قرن اخیر ظهور کرده است. وعده نظری و فناوری آن بسیار گسترده است و ما تازه در حال تجربه پتانسیل آن هستیم. خوشهبندی اولین و اساسیترین کاربرد تئوری مجموعههای فازی است، اما اساس بسیاری از مدلهای محاسباتی پیچیدهتر و هوشمندانهتر، به ویژه در تشخیص الگو، دادهکاوی، خوشهبندی تطبیقی و سلسله مراتبی و طراحی طبقهبندی را تشکیل میدهد. مجموعههای فازی و کاربرد آنها در خوشهبندی و آموزش، مقدمهای جامع بر نظریه مجموعههای فازی، با تمرکز بر مفاهیم و نتایج مورد نیاز برای آموزش و کاربردهای خوشهبندی ارائه میدهد. این یک چارچوب ریاضی یکپارچه برای طبقه بندی و خوشه بندی فازی، یک روش برای توسعه روش های آموزش و طبقه بندی، و یک روش کلی برای به دست آوردن انواع الگوریتم های خوشه بندی فازی ارائه می دهد. نویسندگان - متخصصان برتر از سراسر جهان - استعدادهای خود را برای ایجاد یک پایه محکم برای کاربردهای این ابزار قدرتمند، از مفاهیم اساسی و ریاضیات از طریق مطالعه الگوریتمهای مختلف، تا توابع اعتبار و خوشهبندی سلسله مراتبی ترکیب میکنند. نتیجه مجموعههای فازی و کاربرد آنها در خوشهبندی و آموزش است - یک شروع برجسته در دنیای طبقهبندیکنندههای یادگیری فازی و خوشهبندی فازی.
Fuzzy set theory - and its underlying fuzzy logic - represents one of the most significant scientific and cultural paradigms to emerge in the last half-century. Its theoretical and technological promise is vast, and we are only beginning to experience its potential. Clustering is the first and most basic application of fuzzy set theory, but forms the basis of many, more sophisticated, intelligent computational models, particularly in pattern recognition, data mining, adaptive and hierarchical clustering, and classifier design. Fuzzy Sets and their Application to Clustering and Training offers a comprehensive introduction to fuzzy set theory, focusing on the concepts and results needed for training and clustering applications. It provides a unified mathematical framework for fuzzy classification and clustering, a methodology for developing training and classification methods, and a general method for obtaining a variety of fuzzy clustering algorithms. The authors - top experts from around the world - combine their talents to lay a solid foundation for applications of this powerful tool, from the basic concepts and mathematics through the study of various algorithms, to validity functionals and hierarchical clustering. The result is Fuzzy Sets and their Application to Clustering and Training - an outstanding initiation into the world of fuzzy learning classifiers and fuzzy clustering.
Fuzzy Sets. Entropy of Finite Fuzzy Partitions. Fuzziness and Non-Fuzziness Measures. Fuzzy Training Procedures. One-Level Classification: Cluster Substructure of a Fuzzy Class. One-Level Classification: Adaptive Algorithms. Cluster Validity. Convergence of Fuzzy clustering Algorithms. Fuzzy Discriminant Analysis and Related Clustering Criteria. Divisive Hierarchical Clustering. Classification with Structural Constraints. Classification in Pseudometric Spaces. Bibliography.
NTI/Sales Copy