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 Outlier detection for temporal data

دانلود کتاب تشخیص پرت برای داده های زمانی

Outlier detection for temporal data

مشخصات کتاب

Outlier detection for temporal data

ویرایش:  
نویسندگان: , , ,   
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 

قیمت کتاب (تومان) : 34,000



کلمات کلیدی مربوط به کتاب تشخیص پرت برای داده های زمانی: پرت (آمار)، پایگاه داده های زمانی.، ریاضیات، کاربردی.، ریاضیات، احتمالات و آمار، عمومی.



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 21


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.


توضیحاتی در مورد کتاب تشخیص پرت برای داده های زمانی

تشخیص پرت (یا ناهنجاری) زمینه بسیار گسترده ای است که در زمینه تعداد زیادی از حوزه های تحقیقاتی مانند آمار، داده کاوی، شبکه های حسگر، علوم محیطی، سیستم های توزیع شده، کاوی مکانی-زمانی و غیره مورد مطالعه قرار گرفته است. تشخیص نقاط پرت متمرکز بر مقادیر پرت مبتنی بر سری زمانی (در آمار). از آن زمان به بعد، تشخیص پرت بر روی انواع زیادی از انواع داده‌ها مطالعه شده است از جمله داده‌های با ابعاد بالا، داده‌های نامشخص، داده‌های جریان، داده‌های شبکه، داده‌های سری زمانی، داده های مکانی و داده های مکانی-زمانی. در حالی که آموزش‌ها و بررسی‌های زیادی برای تشخیص کلی موارد دورافتاده وجود دارد، ما در این کتاب بر روی تشخیص پرت برای داده‌های زمانی تمرکز می‌کنیم. بیشتر بخوانید...
چکیده:
در مقایسه با تشخیص عمومی پرت، تکنیک‌های تشخیص پرت زمانی بسیار متفاوت هستند. این کتاب تصویری سازمان‌یافته از تحقیقات اخیر و گذشته در تشخیص زمان‌های پرت ارائه می‌کند. قبل از اینکه به ایده‌های اصلی در تکنیک‌های پیشرفته تشخیص نقاط پرت بپردازد، با اصول اولیه شروع می‌شود. بیشتر بخوانید. ...

توضیحاتی درمورد کتاب به خارجی

Outlier (or anomaly) detection is a very broad field which has been studied in the context of a large number of research areas like statistics, data mining, sensor networks, environmental science, distributed systems, spatio-temporal mining, etc. Initial research in outlier detection focused on time series-based outliers (in statistics). Since then, outlier detection has been studied on a large variety of data types including high-dimensional data, uncertain data, stream data, network data, time series data, spatial data, and spatio-temporal data. While there have been many tutorials and surveys for general outlier detection, we focus on outlier detection for temporal data in this book. Read more...
Abstract:
Compared to general outlier detection, techniques for temporal outlier detection are very different. This book presents an organised picture of both recent and past research in temporal outlier detection. It starts with the basics before moving on to the main ideas in state-of-the-art outlier detection techniques. Read more...


فهرست مطالب

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.




نظرات کاربران