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: 1st ed. نویسندگان: Li M. Chen, Zhixun Su, Bo Jiang سری: ISBN (شابک) : 3319251252, 3319251279 ناشر: Springer International Publishing سال نشر: 2015 تعداد صفحات: 219 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب مسائل ریاضی در علم داده: روش های نظری و عملی: علوم کامپیوتر، شبکه های کامپیوتری، علوم کامپیوتر -- ریاضیات، کامپیوتر، علوم کامپیوتر - ریاضیات، کامپیوتر، سیستم های اطلاعاتی و خدمات ارتباطی، شبکه های ارتباطی کامپیوتری، ریاضیات محاسبات
در صورت تبدیل فایل کتاب Mathematical Problems in Data Science: Theoretical and Practical Methods 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 مسائل ریاضی در علم داده: روش های نظری و عملی 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 مشکلات فعلی در علم داده و داده های بزرگ را شرح می دهد. موضوعات کلیدی طبقه بندی داده ها، برش نمودار، ماتریس لاپلاس، رتبه صفحه گوگل، الگوریتم های کارآمد، سختی مسائل، انواع مختلف داده های بزرگ، ساختار داده های هندسی، پردازش داده های توپولوژیکی، و روش های مختلف یادگیری است. برای مسائل حل نشده مانند رابطه ناقص داده ها و بازسازی، این کتاب شامل راه حل های ممکن و روش های آماری و محاسباتی برای تجزیه و تحلیل داده ها است. فصلهای اولیه بر کاوش ویژگیهای مجموعه دادههای ناقص و اتصال جزئی بین نقاط داده یا مجموعههای داده تمرکز دارند. بحثها همچنین مشکل تکمیل ماتریس نتفلیکس را پوشش میدهند. روش یادگیری ماشین در مجموعه داده های عظیم؛ تقسیم بندی تصویر و جستجوی ویدئو این کتاب ابزارهای نرم افزاری برای علم داده و داده های بزرگ مانند MapReduce، Hadoop و Spark را معرفی می کند.
این کتاب شامل سه بخش است. بخش اول ابزارهای اساسی علم داده را بررسی می کند. این شامل روش های نظری نمودار پایه، روش های آماری و هوش مصنوعی برای مجموعه داده های عظیم است. در بخش دوم، فصلها بر روی درمان رویهای مشکلات علم داده از جمله روشهای یادگیری ماشین، پردازش تصویر و ویدئو ریاضی، تجزیه و تحلیل دادههای توپولوژیکی و روشهای آماری تمرکز دارند. بخش پایانی مطالعات موردی را در مورد موضوعات خاص در یادگیری متغیر، یادگیری چندگانه، بازیابی دادههای تجاری و مالی، جستجوی هندسی و مدلهای محاسباتی ارائه میکند.
مسائل ریاضی در علم داده منبع ارزشمندی برای محققان و متخصصانی است که در علم داده، سیستمهای اطلاعات و شبکهها کار میکنند. دانشآموزان سطح پیشرفته که در رشتههای علوم کامپیوتر، مهندسی برق و ریاضیات تحصیل میکنند نیز مطالب را مفید خواهند یافت.
This book describes current problems in data science and Big Data. Key topics are data classification, Graph Cut, the Laplacian Matrix, Google Page Rank, efficient algorithms, hardness of problems, different types of big data, geometric data structures, topological data processing, and various learning methods. For unsolved problems such as incomplete data relation and reconstruction, the book includes possible solutions and both statistical and computational methods for data analysis. Initial chapters focus on exploring the properties of incomplete data sets and partial-connectedness among data points or data sets. Discussions also cover the completion problem of Netflix matrix; machine learning method on massive data sets; image segmentation and video search. This book introduces software tools for data science and Big Data such MapReduce, Hadoop, and Spark.
This book contains three parts. The first part explores the fundamental tools of data science. It includes basic graph theoretical methods, statistical and AI methods for massive data sets. In second part, chapters focus on the procedural treatment of data science problems including machine learning methods, mathematical image and video processing, topological data analysis, and statistical methods. The final section provides case studies on special topics in variational learning, manifold learning, business and financial data rec
overy, geometric search, and computing models.Mathematical Problems in Data Science is a valuable resource for researchers and professionals working in data science, information systems and networks. Advanced-level students studying computer science, electrical engineering and mathematics will also find the content helpful.
Front Matter....Pages i-xv
Front Matter....Pages 1-1
Introduction: Data Science and BigData Computing....Pages 3-15
Overview of Basic Methods for Data Science....Pages 17-37
Relationship and Connectivity of Incomplete Data Collection....Pages 39-59
Front Matter....Pages 61-61
Machine Learning for Data Science: Mathematical or Computational....Pages 63-74
Images, Videos, and BigData....Pages 75-100
Topological Data Analysis....Pages 101-124
Monte Carlo Methods and Their Applications in Big Data Analysis....Pages 125-139
Front Matter....Pages 141-141
Feature Extraction via Vector Bundle Learning....Pages 143-157
Curve Interpolation and Financial Curve Construction....Pages 159-170
Advanced Methods in Variational Learning: Segmentation with Intensity Inhomogeneity....Pages 171-187
An On-Line Strategy of Groups Evacuation from a Convex Region in the Plane....Pages 189-199
A New Computational Model of Bigdata....Pages 201-210
Back Matter....Pages 211-213