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:
نویسندگان: Paul D. McNicholas
سری:
ISBN (شابک) : 1482225662, 9781482225662
ناشر: Chapman and Hall/CRC
سال نشر: 2017
تعداد صفحات: 251
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب Mixture model-based classification 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 طبقه بندی مبتنی بر مدل مخلوط 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 یک نمای کلی عالی از حوزه خوشهبندی و طبقهبندی مبتنی بر مدل توسط یکی از توسعهدهندگان برجسته آن است. مک نیکولاس منبعی را ارائه میدهد که من مطمئن هستم که توسط محققان در آمار و رشتههای مرتبط به طور کامل مورد استفاده قرار خواهد گرفت. بحث در مورد مخلوطهایی با دنبالههای سنگین و توزیع نامتقارن، این متن را به عنوان مرجع معتبر و مدرن در ادبیات مدلسازی مخلوط قرار میدهد.» (داگلاس استاینلی، دانشگاه میسوری)
طبقه بندی مبتنی بر مدل مخلوط اولین تک نگاری است که به رویکردهای مبتنی بر مدل مخلوط برای خوشه بندی و طبقه بندی اختصاص داده شده است. این کتاب هم برای محققین با سابقه و هم برای تازه واردان به این حوزه است. تاریخچه مدلهای مخلوط بهعنوان ابزاری برای طبقهبندی ارائه شده است و مخلوطهای گاوسی به طور گسترده در نظر گرفته میشوند، از جمله مخلوطهایی از تحلیلگرهای عامل و سایر رویکردها برای دادههای با ابعاد بالا. مخلوطهای غیر گاوسی، از مخلوطهایی با اجزایی که چولگی و/یا غلظت را پارامتر میکنند، تا مخلوطهایی از توزیعهای چندگانه در نظر گرفته میشوند. چندین موضوع مهم دیگر در نظر گرفته شده است، از جمله رویکردهای ترکیبی برای خوشه بندی و طبقه بندی داده های طولی و همچنین بحث در مورد چگونگی تعریف یک خوشه
پل دی مک نیکلاس کرسی تحقیقاتی کانادا است. در آمار محاسباتی در دانشگاه مک مستر، جایی که او استاد گروه ریاضیات و آمار است. تحقیقات او بر استفاده از رویکردهای مبتنی بر مدل مخلوط برای طبقهبندی، با توجه خاص به کاربردهای خوشهبندی متمرکز است و او در این زمینه به طور گسترده منتشر کرده است. او دستیار ویراستار چندین مجله است و به عنوان ویراستار مهمان برای تعدادی از شماره های ویژه در مدل های مخلوط خدمت کرده است.
"This is a great overview of the field of model-based clustering and classification by one of its leading developers. McNicholas provides a resource that I am certain will be used by researchers in statistics and related disciplines for quite some time. The discussion of mixtures with heavy tails and asymmetric distributions will place this text as the authoritative, modern reference in the mixture modeling literature." (Douglas Steinley, University of Missouri)
Mixture Model-Based Classification is the first monograph devoted to mixture model-based approaches to clustering and classification. This is both a book for established researchers and newcomers to the field. A history of mixture models as a tool for classification is provided and Gaussian mixtures are considered extensively, including mixtures of factor analyzers and other approaches for high-dimensional data. Non-Gaussian mixtures are considered, from mixtures with components that parameterize skewness and/or concentration, right up to mixtures of multiple scaled distributions. Several other important topics are considered, including mixture approaches for clustering and classification of longitudinal data as well as discussion about how to define a cluster
Paul D. McNicholas is the Canada Research Chair in Computational Statistics at McMaster University, where he is a Professor in the Department of Mathematics and Statistics. His research focuses on the use of mixture model-based approaches for classification, with particular attention to clustering applications, and he has published extensively within the field. He is an associate editor for several journals and has served as a guest editor for a number of special issues on mixture models.