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: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Dobrushkin. Vladimir A سری: Chapman & Hall/CRC computer and information science series ISBN (شابک) : 9781420068306, 142006830X ناشر: CRC Press سال نشر: 2009 تعداد صفحات: 826 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب روشها در تحلیل الگوریتمی: علوم و مهندسی کامپیوتر، هوش مصنوعی، داده کاوی
در صورت تبدیل فایل کتاب Methods in Algorithmic Analysis 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 روشها در تحلیل الگوریتمی 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.
تأثیر تجزیه و تحلیل الگوریتمها بر بسیاری از حوزهها در داخل و خارج از علوم رایانه را بررسی میکند. یک قالب آموزشی انعطافپذیر و تعاملی که با مجموعهای از مثالها و تمرینها بهبود یافته است که از دوره تحصیلات تکمیلی خود نویسنده توسعه یافته است، روشها در تحلیل الگوریتمی نظریهها، تکنیکهای متعددی را ارائه میکند. و روش های مورد استفاده برای تجزیه و تحلیل الگوریتم ها. این دانش آموزان را در معرض تکنیک ها و روش های ریاضی قرار می دهد که عملی و مرتبط با جنبه های نظری علوم کامپیوتر هستند. پس از معرفی روش های پایه ریاضی و ترکیبی، متن بر جنبه های مختلف احتمال از جمله مجموعه های محدود، متغیرهای تصادفی، توزیع ها، قضیه بیز و نابرابری چبیشف تمرکز می کند. این به بررسی نقش تکرارها در علوم کامپیوتر، تحلیل عددی، مهندسی و کاربردهای ریاضیات گسسته میپردازد. نویسنده سپس ابزار قدرتمند تولید توابع را توصیف میکند که در مسائل شمارش، مانند الگوریتمهای احتمالی، ترکیببندیها و پارتیشنهای اعداد صحیح، و به هم زدن نشان داده میشود. او همچنین به روش نمادین، اصل شمول و طرد و کاربردهای آن می پردازد. این کتاب در ادامه نشان میدهد که چگونه رشتهها را میتوان دستکاری و شمارش کرد، چگونه ماشین حالت محدود و زنجیرههای مارکوف میتوانند به حل مسائل احتمالی و ترکیبی کمک کنند، چگونه نتایج مجانبی را استخراج کنیم، و چگونه همگرایی و تکینگیها نقش اصلی را در استنتاج اطلاعات مجانبی از تولید دارند. کارکرد. فصل آخر تعاریف و ویژگیهای زیرساخت ریاضی مورد نیاز برای تطبیق توابع تولید را ارائه میکند. همراه با بیش از 1000 مثال و تمرین، این متن جامع و آزموده شده در کلاس درس، درک دانشآموزان را از روششناسی ریاضی پشت تجزیه و تحلیل الگوریتمها توسعه میدهد. بر رابطه مهم بین ریاضیات پیوسته (کلاسیک) و ریاضیات گسسته، که اساس علم کامپیوتر است، تأکید می کند.
Explores the Impact of the Analysis of Algorithms on Many Areas within and beyond Computer Science A flexible, interactive teaching format enhanced by a large selection of examples and exercises Developed from the author’s own graduate-level course, Methods in Algorithmic Analysis presents numerous theories, techniques, and methods used for analyzing algorithms. It exposes students to mathematical techniques and methods that are practical and relevant to theoretical aspects of computer science. After introducing basic mathematical and combinatorial methods, the text focuses on various aspects of probability, including finite sets, random variables, distributions, Bayes’ theorem, and Chebyshev inequality. It explores the role of recurrences in computer science, numerical analysis, engineering, and discrete mathematics applications. The author then describes the powerful tool of generating functions, which is demonstrated in enumeration problems, such as probabilistic algorithms, compositions and partitions of integers, and shuffling. He also discusses the symbolic method, the principle of inclusion and exclusion, and its applications. The book goes on to show how strings can be manipulated and counted, how the finite state machine and Markov chains can help solve probabilistic and combinatorial problems, how to derive asymptotic results, and how convergence and singularities play leading roles in deducing asymptotic information from generating functions. The final chapter presents the definitions and properties of the mathematical infrastructure needed to accommodate generating functions. Accompanied by more than 1,000 examples and exercises, this comprehensive, classroom-tested text develops students’ understanding of the mathematical methodology behind the analysis of algorithms. It emphasizes the important relation between continuous (classical) mathematics and discrete mathematics, which is the basis of computer science.
Content: Cover
Title
Copyright
Contents
Preface
Acknowledgments
List of Symbols
Abbreviations
Chapter 1: Preliminaries
Chapter 2: Combinatorics
Chapter 3: Probability
Chapter 4: More about Probability
Chapter 5: Recurrences or Difference Equations
Chapter 6: Introduction to Generating Functions
Chapter 7: Enumeration with Generating Functions
Chapter 8: Further Enumeration Methods
Chapter 9: Combinatorics of Strings
Chapter 10: Introduction to Asymptotics
Chapter 11: Asymptotics and Generating Functions
Chapter 12: Review of Analytic Techniques
Appendices Answers/Hints to Selected ProblemsBibliography
Index