ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Multidimensional data visualization : methods and applications

دانلود کتاب تجسم چند بعدی داده ها: روش ها و برنامه ها

Multidimensional data visualization : methods and applications

مشخصات کتاب

Multidimensional data visualization : methods and applications

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: , ,   
سری: Springer optimization and its applications, v. 75 
ISBN (شابک) : 9781441902368, 1441902368 
ناشر: Springer 
سال نشر: 2013 
تعداد صفحات: 262 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 53,000



کلمات کلیدی مربوط به کتاب تجسم چند بعدی داده ها: روش ها و برنامه ها: علوم و مهندسی کامپیوتر، هوش مصنوعی، داده کاوی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Multidimensional data visualization : methods and applications 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 تجسم چند بعدی داده ها: روش ها و برنامه ها 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 تجسم چند بعدی داده ها: روش ها و برنامه ها

هدف این کتاب ارائه انواع روش های مورد استفاده در تجسم داده های چند بعدی است. تاکید بر نتایج و روندهای تحقیقاتی جدید در این زمینه، از جمله بهینه‌سازی، شبکه‌های عصبی مصنوعی، ترکیب الگوریتم‌ها، محاسبات موازی، معیارهای مجاورت مختلف، یادگیری منیفولد غیرخطی و غیره است. بسیاری از برنامه های کاربردی ارائه شده به ما اجازه می دهند تا مزایای آشکار داده کاوی بصری را کشف کنیم -- برای تصمیم گیرندگان تشخیص یا استخراج اطلاعات مفید از نمایش گرافیکی داده ها نسبت به اعداد خام بسیار آسان تر است. ایده اساسی تجسم ارائه کردن است. داده ها به شکل بصری که به انسان اجازه می دهد آنها را درک کند، بینش خود را در مورد داده ها به دست آورد، نتیجه گیری کند و مستقیماً بر روند تصمیم گیری تأثیر بگذارد. داده کاوی بصری زمینه ای است که مشارکت انسانی در فرآیند تجزیه و تحلیل داده ها ادغام می شود. این تجسم داده ها و ارائه گرافیکی اطلاعات را پوشش می دهد. تجسم داده‌های چند بعدی برای دانشمندان و محققان در هر زمینه‌ای در نظر گرفته شده است که داده‌های پیچیده و چند بعدی باید به صورت بصری نمایش داده شوند. همچنین ممکن است به عنوان یک مکمل تحقیقاتی مفید برای دانشجویان دکترا در تحقیقات عملیات، علوم کامپیوتر، رشته‌های مختلف مهندسی، و همچنین علوم طبیعی و اجتماعی باشد. ادامه مطلب... داده های چند بعدی و مفهوم تجسم -- استراتژی های تجسم داده های چند بعدی -- تجسم مبتنی بر بهینه سازی -- ترکیب مقیاس بندی چند بعدی با شبکه های عصبی مصنوعی -- کاربردهای بصری سازی


توضیحاتی درمورد کتاب به خارجی

The goal of this book is to present a variety of methods used in multidimensional data visualization. The emphasis is placed on new research results and trends in this field, including optimization, artificial neural networks, combinations of algorithms, parallel computing, different proximity measures, nonlinear manifold learning, and more. Many of the applications presented allow us to discover the obvious advantages of visual data mining--it is much easier for a decision maker to detect or extract useful information from graphical representation of data than from raw numbers.The fundamental idea of visualization is to provide data in some visual form that lets humans understand them, gain insight into the data, draw conclusions, and directly influence the process of decision making. Visual data mining is a field where human participation is integrated in the data analysis process; it covers data visualization and graphical presentation of information. Multidimensional Data Visualization is intended for scientists and researchers in any field of study where complex and multidimensional data must be visually represented. It may also serve as a useful research supplement for PhD students in operations research, computer science, various fields of engineering, as well as natural and social sciences. Read more... Multidimensional Data and the Concept of Visualization -- Strategies for Multidimensional Data Visualization -- Optimization-Based Visualization -- Combining Multidimensional Scaling with Artificial Neural Networks -- Applications of Visualization



فهرست مطالب

Cover......Page 1
Multidimensional DataVisualization......Page 4
Preface......Page 6
Contents......Page 8
Acronyms......Page 10
Notation......Page 12
1 Multidimensional Data and the Concept of Visualization......Page 14
2.1.1 Geometric Methods......Page 18
2.1.2 Iconographic Displays......Page 26
2.1.3 Hierarchical Displays......Page 27
2.2 Dimensionality Reduction......Page 28
2.2.1 Proximity Measures......Page 33
2.2.2 Principal Component Analysis......Page 34
2.2.3 Linear Discriminant Analysis......Page 39
2.2.4 Multidimensional Scaling......Page 40
2.2.4.1 SMACOF Algorithm......Page 41
2.2.4.2 Relative Mapping......Page 42
2.2.4.3 Sammon's Mapping......Page 43
2.2.5 Manifold-Based Visualization......Page 44
2.2.6 Isometric Feature Mapping......Page 45
2.2.7 Locally Linear Embedding......Page 48
2.3 Quantitative Criteria of Mapping......Page 51
2.3.1 Spearman's Coefficient......Page 52
2.3.2 König's Topology Preservation Measure......Page 53
3.1 Formulation of Optimization Problems in Multidimensional Scaling......Page 54
3.2 Differentiability Analysis of the Least Squares Stress Function......Page 57
3.3 Optimization Algorithms for Scaling......Page 60
3.4 Hybrid Evolutionary Algorithm for Multidimensional Scaling......Page 64
3.5 Two-Level Optimization of Stress with City-Block Distances......Page 67
3.5.1 Explicit Enumeration in Two-Level Optimization......Page 74
3.5.2 Branch-and-Bound Algorithm for MDS......Page 87
3.5.3 Combinatorial Evolutionary Algorithm......Page 101
3.6 Impact of Used Distance Measure on Visualization......Page 114
3.7 Impact of the Dimensionality of the Projection Space......Page 119
4.1 Feed-Forward Neural Networks in Visualization......Page 126
4.1.1 Biological Neuron and Its Artificial Model......Page 127
4.1.2 Artificial Neural Network Learning......Page 129
4.1.2.1 Perceptron......Page 130
4.1.2.2 Multilayer Feed-Forward Neural Networks......Page 132
4.1.2.3 Error Back-Propagation Learning Algorithm......Page 133
4.1.2.4 Network Testing......Page 134
4.1.3.1 Visualization Based on the Supervised Learning......Page 135
4.1.3.2 Auto-Associative Neural Network......Page 137
4.1.3.3 NeuroScale......Page 138
4.2 Self-Organizing Map and Neural Gas......Page 139
4.2.1 Principles of Self-Organizing Map......Page 140
4.2.2 SOM Training......Page 141
4.2.2.1 Properties of SOM Training......Page 143
4.2.4 Quality Measures of SOM and Neural Gas......Page 146
4.2.6 SOM for Multidimensional Data Visualization......Page 148
4.2.7 Comparative Analysis of SOM Software......Page 152
4.3.1.1 Investigation of Time Consumption......Page 158
4.3.1.2 SOM Combinations with Sammon's Mapping and SMACOF......Page 160
4.3.1.3 SOM and Neural Gas with SMACOF......Page 162
4.3.1.4 Examples of Visualization Using a Consecutive Combination......Page 164
4.3.2 Integrated Combination......Page 165
4.3.3.1 Combinations of SOM and Sammon's Mapping......Page 171
4.3.3.2 Combinations of SOM and NG with MDS......Page 176
4.3.3.3 Parallelization of the Integrated Combination SOM and NG with MDS......Page 179
4.4 Curvilinear Component Analysis......Page 181
4.5 The Feed-Forward Neural Network SAMANN......Page 183
4.5.1 Control of the Learning Rate......Page 187
4.5.2 Retraining of the SAMANN Network......Page 188
5.1.1 Economic and Social Conditions of Countries......Page 191
5.1.2 Qualitative Comparison of Schools......Page 194
5.2.1 Ophthalmological Data Analysis......Page 199
5.2.2 Analysis of Heart Rate Oscillations with Respect to Characterization of Sleep Stages......Page 202
5.2.3 Pharmacological Binding Affinity......Page 204
5.3.1 Theoretical and Methodological Background......Page 210
5.3.1.1 Experimental Investigation of Visual Presentation of a Set of Features......Page 214
5.3.2 Dimensionality Problem in the Visualization of Correlation-Based Data......Page 221
5.3.3 Environmental Data Analysis......Page 222
5.3.4 Visual Analysis of Curricula......Page 230
5.3.5 Analysis of Ophthalmological Features......Page 233
Appendix A: Test Data Sets......Page 239
References......Page 247
Index......Page 259




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی