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: شبکه سازی: اینترنت ویرایش: نویسندگان: A. Schenker سری: Series in machine perception and artificial intelligence 62 ISBN (شابک) : 9789812563392, 9812563393 ناشر: World Scientific سال نشر: 2005 تعداد صفحات: 249 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 مگابایت
در صورت تبدیل فایل کتاب Graph-Theoretic Techniques For Web Content 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 تکنیک های نمودار-نظری برای استخراج محتوای وب 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 فرصتهای جدید هیجانانگیز را برای استفاده از نمایشهای نموداری قوی از دادهها با الگوریتمهای رایج یادگیری ماشین توصیف میکند. نمودارها می توانند اطلاعات اضافی را مدل کنند که اغلب در نمایش داده های رایج مانند بردارها وجود ندارد. از طریق استفاده از فاصله نمودار - یک رویکرد نسبتاً جدید برای تعیین شباهت نمودار - نویسندگان نشان میدهند که چگونه الگوریتمهای معروف، مانند خوشهبندی k-means و طبقهبندی k-نزدیکترین همسایهها، به راحتی میتوانند برای کار با نمودارها به جای بردارها گسترش یابند. این امکان استفاده از اطلاعات اضافی موجود در نمایشهای نمودار را فراهم میکند و در عین حال از الگوریتمهای شناخته شده و اثباتشده استفاده میکند. برای نشان دادن و بررسی این تکنیکهای جدید، نویسندگان حوزه محتوای کاوی وب را انتخاب کردهاند که شامل خوشهبندی و طبقه بندی اسناد وب بر اساس محتوای متنی آنها. چندین روش برای نمایش محتوای سند وب توسط نمودارها معرفی شده است. یکی از ویژگیهای جالب این نمایشها این است که امکان محاسبه فاصله زمانی چند جملهای را فراهم میکنند، چیزی که معمولاً در هنگام استفاده از نمودارها یک مسئله NP-complete است. نتایج تجربی هم برای خوشهبندی و هم طبقهبندی در سه مجموعه اسناد وب با استفاده از انواع نمایش نمودار، اندازهگیری فاصله و پارامترهای الگوریتم گزارش شده است. علاوه بر این، این کتاب چندین موضوع مرتبط دیگر را توضیح میدهد که بسیاری از آنها نقطه شروع بسیار خوبی برای محققان و دانشجویان است. علاقه مند به کاوش بیشتر این حوزه جدید یادگیری ماشینی است. این موضوعات شامل ایجاد مجموعههای طبقهبندی کننده چندگانه مبتنی بر نمودار از طریق انتخاب تصادفی گره و تجسم دادههای مبتنی بر نمودار با استفاده از مقیاسبندی چند بعدی است.
This book describes exciting new opportunities for utilizing robust graph representations of data with common machine learning algorithms. Graphs can model additional information which is often not present in commonly used data representations, such as vectors. Through the use of graph distance - a relatively new approach for determining graph similarity - the authors show how well-known algorithms, such as k-means clustering and k-nearest neighbors classification, can be easily extended to work with graphs instead of vectors. This allows for the utilization of additional information found in graph representations, while at the same time employing well-known, proven algorithms.To demonstrate and investigate these novel techniques, the authors have selected the domain of web content mining, which involves the clustering and classification of web documents based on their textual substance. Several methods of representing web document content by graphs are introduced; an interesting feature of these representations is that they allow for a polynomial time distance computation, something which is typically an NP-complete problem when using graphs. Experimental results are reported for both clustering and classification in three web document collections using a variety of graph representations, distance measures, and algorithm parameters.In addition, this book describes several other related topics, many of which provide excellent starting points for researchers and students interested in exploring this new area of machine learning further. These topics include creating graph-based multiple classifier ensembles through random node selection and visualization of graph-based data using multidimensional scaling.