دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Modern Algorithms of Cluster Analysis
دانلود کتاب الگوریتم های مدرن تحلیل خوشه ای
مشخصات کتاب
Modern Algorithms of Cluster Analysis
ویرایش: 1st
نویسندگان: Slawomir Wierzchon. Mieczyslaw Klopotek
سری: Studies in Big Data 34
ISBN (شابک) : 3319693077, 9783319693071
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 433
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 30,000
کلمات کلیدی مربوط به کتاب الگوریتم های مدرن تحلیل خوشه ای: کامپیوتر و فناوری، صنایع، کسب و کار و پول، هوش و معناشناسی، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، کامپیوتر و فناوری، پردازش داده‌ها، پایگاه‌های داده و کلان داده، کامپیوتر و فناوری، کاربردی، بیوماتیک، معادلات دیفرانسیل، نظریه بازی، نظریه گراف ,برنامه ریزی خطی,احتمال و آمار,آمار,مدلسازی تصادفی,تحلیل برداری,ریاضی,علوم و ریاضی,بازرگانی و مالی,حسابداری,بانکداری,ارتباطات تجاری,توسعه کسب و کار,اخلاق کسب و کار,حقوق کسب و کار,Ec
در صورت تبدیل فایل کتاب Modern Algorithms of Cluster 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 الگوریتم های مدرن تحلیل خوشه ای 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.
توضیحاتی در مورد کتاب الگوریتم های مدرن تحلیل خوشه ای
این کتاب درک اساسی از مفاهیم رسمی خوشه، خوشه‌بندی، پارتیشن، تجزیه و تحلیل خوشه و غیره را در اختیار خواننده قرار می‌دهد. این کتاب روش‌های خوشه‌بندی مبتنی بر ویژگی، گراف و طیفی را توضیح می‌دهد و شباهت‌ها و تفاوت‌های رسمی آنها را مورد بحث قرار می‌دهد. درک مفاهیم رسمی مرتبط به ویژه در عصر داده های بزرگ حیاتی است. به دلیل حجم و ویژگی‌های داده‌ها، دیگر نمی‌توان در هنگام مواجهه با یک مشکل خوشه‌بندی، به مشاهده صرف داده‌ها تکیه کرد. معمولاً خوشه بندی شامل انتخاب اشیاء مشابه و گروه بندی آنها با یکدیگر است. برای تسهیل انتخاب معیارهای شباهت برای داده‌های پیچیده و بزرگ، معیارهای مختلف شباهت شی، بر اساس ویژگی‌های کمی (مانند نتایج اندازه‌گیری عددی) و کیفی (مانند متن)، و همچنین ترکیبی از این دو توضیح داده شده است. اندازه گیری شباهت مبتنی بر گراف برای اشیاء مرتبط (فوق العاده) و اندازه گیری برای نمودارهای چند لایه. گونه‌های متعددی که نشان می‌دهند چگونه می‌توان از چنین اقدامات شباهتی در هنگام تعریف توابع هزینه خوشه‌بندی بهره‌برداری کرد نیز ارائه شده‌اند. علاوه بر این، این کتاب یک مرور کلی از رویکردهای مدیریت مجموعه های بزرگ از اشیاء در یک زمان معقول ارائه می دهد. به طور خاص، به روش‌های مبتنی بر شبکه، روش‌های نمونه‌برداری، موازی‌سازی از طریق Map-Reduce، استفاده از ساختارهای درختی، پیش‌بینی‌های تصادفی و رویکردهای اکتشافی مختلف، به ویژه آن‌هایی که برای تشخیص جامعه استفاده می‌شوند، می‌پردازد.
توضیحاتی درمورد کتاب به خارجی
This book provides the reader with a basic understanding of the formal concepts of the cluster, clustering, partition, cluster analysis etc. The book explains feature-based, graph-based and spectral clustering methods and discusses their formal similarities and differences. Understanding the related formal concepts is particularly vital in the epoch of Big Data; due to the volume and characteristics of the data, it is no longer feasible to predominantly rely on merely viewing the data when facing a clustering problem. Usually clustering involves choosing similar objects and grouping them together. To facilitate the choice of similarity measures for complex and big data, various measures of object similarity, based on quantitative (like numerical measurement results) and qualitative features (like text), as well as combinations of the two, are described, as well as graph-based similarity measures for (hyper) linked objects and measures for multilayered graphs. Numerous variants demonstrating how such similarity measures can be exploited when defining clustering cost functions are also presented. In addition, the book provides an overview of approaches to handling large collections of objects in a reasonable time. In particular, it addresses grid-based methods, sampling methods, parallelization via Map-Reduce, usage of tree-structures, random projections and various heuristic approaches, especially those used for community detection.
