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: Jacob Kogan, Charles K. Nicholas, M. Teboulle سری: ISBN (شابک) : 354028348X, 9783540283485 ناشر: Springer سال نشر: 2006 تعداد صفحات: 273 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 Grouping Multidimensional Data: Recent Advances in Clustering 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 گروه بندی داده های چند بعدی: پیشرفت های اخیر در خوشه بندی 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.
خوشه بندی یکی از اساسی ترین و ضروری ترین تکنیک های تجزیه و تحلیل داده ها است. خوشه بندی می تواند به عنوان یک کار داده کاوی مستقل برای تشخیص ویژگی های ذاتی داده ها یا به عنوان یک مرحله پیش پردازش با نتایج خوشه بندی و سپس برای طبقه بندی، تجزیه و تحلیل همبستگی یا تشخیص ناهنجاری استفاده شود. کوگان و همکارانش پیشرفتهای اخیر را در خوشهبندی دادههای بزرگ و با ابعاد بالا گرد هم آوردهاند. حجم آنها به موضوعات و روشهای جدیدی میپردازد که در تجزیه و تحلیل دادههای مدرن، با تأکید ویژه بر ابزارهای جبر خطی، روشهای بهینهسازی و تکنیکهای آماری، مرکزی هستند. مشارکتهایی که توسط محققان برجسته از دانشگاه و صنعت نوشته شدهاند، مبانی نظری و همچنین کاربرد و ارزیابی الگوریتمها را پوشش میدهند و بنابراین یک نمای کلی پیشرفته ارائه میدهند. سطح جزئیات، گستردگی پوشش و کتابشناسی جامع این کتاب را برای محققان و دانشجویان فارغ التحصیل در داده کاوی و در بسیاری از حوزه های کاربردی مرتبط دیگر مناسب می کند.
Clustering is one of the most fundamental and essential data analysis techniques. Clustering can be used as an independent data mining task to discern intrinsic characteristics of data, or as a preprocessing step with the clustering results then used for classification, correlation analysis, or anomaly detection. Kogan and his co-editors have put together recent advances in clustering large and high-dimension data. Their volume addresses new topics and methods which are central to modern data analysis, with particular emphasis on linear algebra tools, opimization methods and statistical techniques. The contributions, written by leading researchers from both academia and industry, cover theoretical basics as well as application and evaluation of algorithms, and thus provide an excellent state-of-the-art overview. The level of detail, the breadth of coverage, and the comprehensive bibliography make this book a perfect fit for researchers and graduate students in data mining and in many other important related application areas.
Contents......Page 8
The Star Clustering Algorithm for Information Organization......Page 11
A Survey of Clustering Data Mining Techniques......Page 34
Similarity-Based Text Clustering: A Comparative Study......Page 81
Clustering Very Large Data Sets with Principal Direction Divisive Partitioning......Page 106
Clustering with Entropy-Like k-Means Algorithms......Page 134
Sampling Methods for Building Initial Partitions......Page 168
TMG: A MATLAB Toolbox for Generating Term-Document Matrices from Text Collections......Page 193
Criterion Functions for Clustering on High-Dimensional Data......Page 217
References......Page 244
D......Page 270
L......Page 271
T......Page 272
W......Page 273