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: جبر: جبر خطی ویرایش: نویسندگان: Lars Eldén سری: Fundamentals of Algorithms ISBN (شابک) : 9780898716269, 0898716268 ناشر: Society for Industrial and Applied Mathematics سال نشر: 2007 تعداد صفحات: 234 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Matrix Methods in Data Mining and Pattern Recognition 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 روش های ماتریس در داده کاوی و تشخیص الگو 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.
چندین تکنیک بسیار قدرتمند جبر خطی عددی برای حل مسائل در داده کاوی و تشخیص الگو موجود است. این کتاب کاربردی گرا توضیح می دهد که چگونه می توان از روش های مدرن ماتریس برای حل این مسائل استفاده کرد، مقدمه ای بر نظریه ماتریس و تجزیه ارائه می دهد و مجموعه ای از ابزارها را برای دانش آموزان ارائه می دهد که می توانند برای یک کاربرد خاص اصلاح شوند. روش های ماتریسی در داده کاوی و تشخیص الگو به سه بخش تقسیم می شود. قسمت اول مقدمه کوتاهی بر چند حوزه کاربردی قبل از ارائه مفاهیم جبر خطی و تجزیه ماتریس است که دانش آموزان می توانند در محیط های حل مسئله مانند MATLAB؟® استفاده کنند. برخی از براهین ریاضی که بر وجود و ویژگیهای تجزیه ماتریس تأکید دارند گنجانده شدهاند. در بخش دوم، تکنیک های جبر خطی برای مسائل داده کاوی اعمال می شود. بخش سوم، مقدمهای کوتاه بر الگوریتمهای ارزش ویژه و مقادیر تکین است. برنامه های کاربردی مورد بحث نویسنده عبارتند از: طبقه بندی ارقام دست نویس، متن کاوی، خلاصه سازی متن، محاسبات رتبه صفحه مربوط به گوگل؟ موتور جستجو و تشخیص چهره تمرینات و تکالیف کامپیوتری در یک صفحه وب که مکمل کتاب است موجود است. مخاطبین این کتاب برای دانشجویان مقطع کارشناسی که قبلاً دوره مقدماتی محاسبات علمی/تحلیل عددی را گذرانده اند در نظر گرفته شده است. دانشجویان فارغ التحصیل در زمینه های مختلف داده کاوی و تشخیص الگو که نیاز به مقدمه ای با تکنیک های جبر خطی دارند نیز این کتاب را مفید خواهند یافت. مطالب مقدمه; بخش اول: مفاهیم جبر خطی و تجزیه ماتریس. فصل 1: بردارها و ماتریس ها در داده کاوی و تشخیص الگو. فصل 2: بردارها و ماتریس ها. فصل 3: سیستم های خطی و حداقل مربعات. فصل چهارم: متعامد بودن; فصل 5: تجزیه QR. فصل 6: تجزیه ارزش مفرد. فصل 7: مدل های حداقل مربعات با رتبه کاهش یافته. فصل 8: تجزیه تانسور. فصل 9: خوشهبندی و عاملسازی ماتریس غیرمنفی. پ
Several very powerful numerical linear algebra techniques are available for solving problems in data mining and pattern recognition. This application-oriented book describes how modern matrix methods can be used to solve these problems, gives an introduction to matrix theory and decompositions, and provides students with a set of tools that can be modified for a particular application. Matrix Methods in Data Mining and Pattern Recognition is divided into three parts. Part I gives a short introduction to a few application areas before presenting linear algebra concepts and matrix decompositions that students can use in problem-solving environments such as MATLAB?®. Some mathematical proofs that emphasize the existence and properties of the matrix decompositions are included. In Part II, linear algebra techniques are applied to data mining problems. Part III is a brief introduction to eigenvalue and singular value algorithms. The applications discussed by the author are: classification of handwritten digits, text mining, text summarization, pagerank computations related to the Google?” search engine, and face recognition. Exercises and computer assignments are available on a Web page that supplements the book. Audience The book is intended for undergraduate students who have previously taken an introductory scientific computing/numerical analysis course. Graduate students in various data mining and pattern recognition areas who need an introduction to linear algebra techniques will also find the book useful. Contents Preface; Part I: Linear Algebra Concepts and Matrix Decompositions. Chapter 1: Vectors and Matrices in Data Mining and Pattern Recognition; Chapter 2: Vectors and Matrices; Chapter 3: Linear Systems and Least Squares; Chapter 4: Orthogonality; Chapter 5: QR Decomposition; Chapter 6: Singular Value Decomposition; Chapter 7: Reduced-Rank Least Squares Models; Chapter 8: Tensor Decomposition; Chapter 9: Clustering and Nonnegative Matrix Factorization; P