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: Ronald K. Pearson سری: ISBN (شابک) : 9780898715828, 0898715822 ناشر: SIAM: Society for Industrial and Applied Mathematics سال نشر: 2005 تعداد صفحات: 316 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب استخراج داده های ناقص: مقابله با آلودگی و سوابق ناقص: علوم و مهندسی کامپیوتر، هوش مصنوعی، داده کاوی
در صورت تبدیل فایل کتاب Mining imperfect data: dealing with contamination and incomplete records 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 استخراج داده های ناقص: مقابله با آلودگی و سوابق ناقص 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.
دادهکاوی به تجزیه و تحلیل پایگاههای داده به اندازهای بزرگ میپردازد که ناهنجاریهای مختلف، از جمله موارد دورافتاده، سوابق دادههای ناقص، و پدیدههای ظریفتر مانند خطاهای ناهماهنگی، تقریباً وجود دارند. استخراج داده های ناقص: مقابله با آلودگی و سوابق ناقص به طور مفصل تعدادی از این مشکلات و همچنین منابع، پیامدهای آنها، تشخیص و درمان آنها را شرح می دهد. استراتژی های خاصی برای پیش پردازش داده ها و اعتبار سنجی تحلیلی که به طور گسترده قابل اجرا هستند، توضیح داده شده اند، و آنها را در ارتباط با اکثر روش های تحلیل داده کاوی مفید می کند. مثالهایی برای نشان دادن عملکرد روشهای پیش تصفیه و اعتبارسنجی در موقعیتهای مختلف ارائه شدهاند. اینها شامل مثالهای مبتنی بر شبیهسازی است که در آنها نتایج \"درست\" به طور واضح شناخته میشوند و همچنین نمونههای داده واقعی که موارد معمولی را که در عمل مشاهده میشوند را نشان میدهند.
دادههای ناقص استخراج، که به طیف وسیعتری از ناهنجاریهای دادهها نسبت به آنچه معمولاً در یک کتاب پرداخته میشود، میپردازد، شامل بحث در مورد شناسایی ناهنجاریها از طریق تحلیل حساسیت تعمیمیافته (GSA)، فرآیندی برای شناسایی ناسازگاریها با استفاده از مقایسههای سیستماتیک و گسترده نتایج است. با تجزیه و تحلیل مجموعه داده ها یا زیر مجموعه های قابل مبادله به دست می آید. این کتاب به طور گسترده از داده های واقعی استفاده می کند، هم در قالب تجزیه و تحلیل دقیق از چند مجموعه داده واقعی و هم نمونه های مختلف منتشر شده. همچنین شامل یک مقدمه مختصر برای معادلات تابعی است که کاربرد آنها را در توصیف اشکال مختلف رفتار کیفی برای توصیف دادههای مفید نشان میدهد.
Data mining is concerned with the analysis of databases large enough that various anomalies, including outliers, incomplete data records, and more subtle phenomena such as misalignment errors, are virtually certain to be present. Mining Imperfect Data: Dealing with Contamination and Incomplete Records describes in detail a number of these problems, as well as their sources, their consequences, their detection, and their treatment. Specific strategies for data pretreatment and analytical validation that are broadly applicable are described, making them useful in conjunction with most data mining analysis methods. Examples are presented to illustrate the performance of the pretreatment and validation methods in a variety of situations; these include simulation-based examples in which "correct" results are known unambiguously as well as real data examples that illustrate typical cases met in practice.
Mining Imperfect Data, which deals with a wider range of data anomalies than are usually treated in one book, includes a discussion of detecting anomalies through generalized sensitivity analysis (GSA), a process of identifying inconsistencies using systematic and extensive comparisons of results obtained by analysis of exchangeable datasets or subsets. The book makes extensive use of real data, both in the form of a detailed analysis of a few real datasets and various published examples. Also included is a succinct introduction to functional equations that illustrates their utility in describing various forms of qualitative behavior for useful data characterizations.