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 Multivariate Data Analysis on Matrix Manifolds: (with Manopt)

دانلود کتاب تجزیه و تحلیل داده های چند متغیره در منیفولدهای ماتریسی: (با Manopt)

Multivariate Data Analysis on Matrix Manifolds: (with Manopt)

مشخصات کتاب

Multivariate Data Analysis on Matrix Manifolds: (with Manopt)

ویرایش: [1 ed.] 
نویسندگان:   
سری: Springer Series in the Data Sciences 
ISBN (شابک) : 3030769739, 9783030769734 
ناشر: Springer 
سال نشر: 2021 
تعداد صفحات: 470 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 38 Mb

قیمت کتاب (تومان) : 40,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Multivariate Data Analysis on Matrix Manifolds: (with Manopt) 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 تجزیه و تحلیل داده های چند متغیره در منیفولدهای ماتریسی: (با Manopt) 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 تجزیه و تحلیل داده های چند متغیره در منیفولدهای ماتریسی: (با Manopt)

هدف این کتاب درسی سطح فارغ التحصیل ارائه یک ارائه و راه حل یکپارچه از چندین تکنیک رایج برای تجزیه و تحلیل داده های چند متغیره (MDA) است. بر خلاف متون مشابه، مشکلات MDA را به عنوان مسائل بهینه سازی در منیفولدهای ماتریسی تعریف شده توسط پارامترهای مدل MDA در نظر می گیرد و به آنها اجازه می دهد با استفاده از نرم افزار بهینه سازی (رایگان) Manopt حل شوند. این کتاب شامل مثال‌های درون متنی متعدد و همچنین کدهای Manopt و راهنماهای نرم‌افزاری است که می‌توان مستقیماً از آن‌ها استفاده کرد یا به‌عنوان قالبی برای حل مسائل مشابه و جدید استفاده کرد. دو فصل اول یک نمای کلی و پیش زمینه ضروری برای مطالعه MDA، ارائه اطلاعات اولیه و نمادها ارائه می دهد. در مرحله بعد، چندین مجموعه از ماتریس ها را که به طور معمول در MDA استفاده می شود به عنوان فضاهای پارامتر، همراه با ویژگی های توپولوژیکی پایه آنها در نظر می گیرد. مقدمه‌ای کوتاه بر منیفولدهای ماتریسی (ریمانی) و روش‌های بهینه‌سازی روی آن‌ها با Manopt، پیش‌نیاز MDA را تکمیل می‌کند. فصل های باقی مانده به مطالعه عمیق تکنیک های MDA فردی می پردازند. تعداد تمرین ها متن اصلی را با اطلاعات اضافی تکمیل می کند و گهگاه شامل سؤالات تحقیقی باز و/یا چالش برانگیز می شود. رشته های مناسب شامل آمار محاسباتی، تجزیه و تحلیل داده، داده کاوی و علم داده و همچنین علوم کامپیوتر نظری، یادگیری ماشین و بهینه سازی می باشد. فرض بر این است که خوانندگان تا حدودی با MDA آشنایی دارند و تجربه ای با تحلیل ماتریس، محاسبات و بهینه سازی دارند.


توضیحاتی درمورد کتاب به خارجی

This graduate-level textbook aims to give a unified presentation and solution of several commonly used techniques for multivariate data analysis (MDA). Unlike similar texts, it treats the MDA problems as optimization problems on matrix manifolds defined by the MDA model parameters, allowing them to be solved using (free) optimization software Manopt. The book includes numerous in-text examples as well as Manopt codes and software guides, which can be applied directly or used as templates for solving similar and new problems. The first two chapters provide an overview and essential background for studying MDA, giving basic information and notations. Next, it considers several sets of matrices routinely used in MDA as parameter spaces, along with their basic topological properties. A brief introduction to matrix (Riemannian) manifolds and optimization methods on them with Manopt complete the MDA prerequisite. The remaining chapters study individual MDA techniques in depth. The number of exercises complement the main text with additional information and occasionally involve open and/or challenging research questions. Suitable fields include computational statistics, data analysis, data mining and data science, as well as theoretical computer science, machine learning and optimization. It is assumed that the readers have some familiarity with MDA and some experience with matrix analysis, computing, and optimization. 





نظرات کاربران

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