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: Aggarwal. Charu C., Gao. Jing, Gupta. Manish, Han. Jiawei سری: Synthesis lectures on data mining and knowledge discovery #8 ISBN (شابک) : 162705376X, 9781627053761 ناشر: Morgan & Claypool Publishers سال نشر: 2014 تعداد صفحات: 131 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 مگابایت
کلمات کلیدی مربوط به کتاب تشخیص پرت برای داده های زمانی: پرت (آمار)، پایگاه داده های زمانی.، ریاضیات، کاربردی.، ریاضیات، احتمالات و آمار، عمومی.
در صورت تبدیل فایل کتاب Outlier detection for temporal data 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 تشخیص پرت برای داده های زمانی 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.
Content: Introduction and challenges --
Outlier detection for time series and data sequences --
Outlier detection for data streams --
Outlier detection for distributed data streams --
Outlier detection for spatio-temporal data --
Outlier detection for temporal network data --Applications of outlier detection for temporal data --
Conclusions and research directions. 1. Introduction and challenges --
1.1 Temporal outlier examples --
1.2 Different facets of temporal outlier analysis --
1.3 Specific challenges for outlier detection for temporal data --
1.4 Conclusions and summary. 2. Outlier detection for time series and data sequences --
2.1 Outliers in time series databases --
2.1.1 Direct detection of outlier time series --
2.1.2 Window-based detection of outlier time series --
2.1.3 Outlier subsequences in a test time series --
2.1.4 Outlier points across multiple time series --
2.2 Outliers within a given time series --
2.2.1 Points as outliers --
2.2.2 Subsequences as outliers --
2.3 Conclusions and summary. 3. Outlier detection for data streams --
3.1 Evolving prediction models --
3.1.1 Online sequential discounting --
3.1.2 Dynamic cluster maintenance --
3.1.3 Dynamic Bayesian networks (DBNS) --
3.2 Distance-based outliers for sliding windows --
3.2.1 Distance-based global outliers --
3.2.2 Distance-based local outliers --
3.3 Outliers in high-dimensional data streams --
3.4 Detecting aggregate windows of change --
3.5 Supervised methods for streaming outlier detection --
3.6 Conclusions and summary. 4. Outlier detection for distributed data streams --
4.1 Examples and challenges --
4.2 Sharing data points --
4.3 Sharing local outliers and other data points --
4.4 Sharing model parameters --
4.5 Sharing local outliers and data distributions --
4.6 Vertically partitioned distributed data --
4.7 Conclusions and summary. 5. Outlier detection for spatio-temporal data --
5.1 Spatio-temporal outliers (ST-outliers) --
5.1.1 Density-based outlier detection --
5.1.2 Outlier detection using spatial scaling --
5.1.3 Outlier detection using Voronoi diagrams --
5.2 Spatio-temporal outlier solids --
5.2.1 Using Kulldorff scan statistic --
5.2.2 Using image processing --
5.3 Trajectory outliers --
5.3.1 Distance between trajectories --
5.3.2 Direction and density of trajectories --
5.3.3 Historical similarity --
5.3.4 Trajectory motifs --
5.4 Conclusions and summary. 6. Outlier detection for temporal network data --
6.1 Outlier graphs from graph time series --
6.1.1 Weight independent metrics --
6.1.2 Metrics using edge weights --
6.1.3 Metrics using vertex weights --
6.1.4 Scan statistics --
6.2 Multi-level outlier detection from graph snapshots --
6.2.1 Elbows, broken correlations, prolonged spikes, and lightweight stars --
6.2.2 Outlier node pairs --
6.3 Community-based outlier detection algorithms --
6.3.1 Community outliers using community change patterns --
6.3.2 Change detection using minimum description length --
6.3.3 Community outliers using evolutionary clustering --
6.4 Online graph outlier detection algorithms --
6.4.1 Spectral methods --
6.4.2 Structural outlier detection --
6.5 Conclusions and summary. 7. Applications of outlier detection for temporal data --
7.1 Temporal outliers in environmental sensor data --
7.2 Temporal outliers in industrial sensor data --
7.3 Temporal outliers in surveillance and trajectory data --
7.4 Temporal outliers in computer networks data --
7.5 Temporal outliers in biological data --
7.6 Temporal outliers in astronomy data --
7.7 Temporal outliers in web data --
7.8 Temporal outliers in information network data --
7.9 Temporal outliers in economics time series data --
7.10 Conclusions and summary. 8. Conclusions and research directions --
Bibliography --
Authors' biographies.