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: 1 نویسندگان: Satchidananda Dehuri, Susmita Ghosh (auth.), Ashish Ghosh, Satchidananda Dehuri, Susmita Ghosh (eds.) سری: Studies in Computational Intelligence 98 ISBN (شابک) : 9783540774662, 9783540774679 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2008 تعداد صفحات: 168 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب الگوریتم های تکاملی چند هدفه برای کشف دانش از پایگاه های داده: کاربردی ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Multi-Objective Evolutionary Algorithms for Knowledge Discovery from Databases 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 تکاملی چند هدفه برای کشف دانش از پایگاه های داده 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.
داده کاوی (DM) متداولترین نامی است که برای توصیف چنین تحلیل محاسباتی دادهها استفاده میشود و نتایج بهدستآمده باید با چندین هدف از جمله دقت، قابل فهم بودن، علاقه برای کاربر و غیره مطابقت داشته باشد. اگرچه بسیاری از موارد پیچیده وجود دارد. تکنیکهای توسعهیافته توسط حوزههای بینرشتهای مختلف، تنها تعداد کمی از آنها برای رسیدگی به این مسائل چند معیاره DM مجهز هستند. بنابراین، مسائل DM توجه قابل توجهی از جامعه الگوریتم ژنتیک چندهدفه به خوبی تثبیت شده برای بهینه سازی اهداف در وظایف DM را به خود جلب کرده است.
جلد حاضر مجموعه ای از هفت مقاله حاوی نتایج تحقیقات جدید و با کیفیت بالا را ارائه می دهد. نشان دادن اهمیت الگوریتم های تکاملی چند هدفه (MOEA) برای وظایف داده کاوی در کشف دانش از پایگاه های داده (KDD). این مقالات توسط کارشناسان برجسته در سراسر جهان نوشته شده است. نشان داده شده است که چگونه می توان از MOEA های مختلف، هم به صورت فردی و هم به صورت یکپارچه، به روش های مختلف برای استخراج کارآمد داده ها از پایگاه های داده بزرگ استفاده کرد.
Data Mining (DM) is the most commonly used name to describe such computational analysis of data and the results obtained must conform to several objectives such as accuracy, comprehensibility, interest for the user etc. Though there are many sophisticated techniques developed by various interdisciplinary fields only a few of them are well equipped to handle these multi-criteria issues of DM. Therefore, the DM issues have attracted considerable attention of the well established multiobjective genetic algorithm community to optimize the objectives in the tasks of DM.
The present volume provides a collection of seven articles containing new and high quality research results demonstrating the significance of Multi-objective Evolutionary Algorithms (MOEA) for data mining tasks in Knowledge Discovery from Databases (KDD). These articles are written by leading experts around the world. It is shown how the different MOEAs can be utilized, both in individual and integrated manner, in various ways to efficiently mine data from large databases.
Front Matter....Pages i-xiv
Genetic Algorithm for Optimization of Multiple Objectives in Knowledge Discovery from Large Databases....Pages 1-22
Knowledge Incorporation in Multi-objective Evolutionary Algorithms....Pages 23-46
Evolutionary Multi-objective Rule Selection for Classification Rule Mining....Pages 47-70
Rule Extraction from Compact Pareto-optimal Neural Networks....Pages 71-90
On the Usefulness of MOEAs for Getting Compact FRBSs Under Parameter Tuning and Rule Selection....Pages 91-107
Classification and Survival Analysis Using Multi-objective Evolutionary Algorithms....Pages 109-135
Clustering Based on Genetic Algorithms....Pages 137-159