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 Pattern recognition

دانلود کتاب تشخیص الگو

مشخصات کتاب

Pattern recognition

دسته بندی: الگوریتم ها و ساختارهای داده ها: شناخت الگو
ویرایش: 3rd ed 
نویسندگان: Sergios Theodoridis. Konstantinos Koutroumbas  
سری:  
ISBN (شابک) : 0123695317, 9780080513614 
ناشر: Academic Press 
سال نشر: 2006 
تعداد صفحات: 840 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت

قیمت کتاب (تومان) : 67,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 15

در صورت تبدیل فایل کتاب Pattern recognition 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 الگو 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 الگو

کلاسیک - ارائه پوشش جامع و یکپارچه با تعادل بین تئوری و عمل! تشخیص الگو برای طیف گسترده ای از رشته ها و فناوری های علمی از جمله تجزیه و تحلیل تصویر، تشخیص گفتار، طبقه بندی صدا، ارتباطات، تشخیص به کمک رایانه و داده کاوی جدایی ناپذیر است. نویسندگان، متخصصان برجسته در زمینه تشخیص الگو، یک بار دیگر یک حجم به روز و مستقل ارائه کرده اند که این طیف گسترده ای از اطلاعات را در بر می گیرد. هر فصل برای شروع با مبانی تئوری و پیشرفت به موضوعات پیشرفته طراحی شده است و سپس تکنیک های پیشرفته را مورد بحث قرار می دهد. مسائل و تمرین‌ها در پایان هر فصل همراه با راهنمای راه‌حل‌هایی که از طریق یک وب‌سایت همراه ارائه شده است، وجود دارد که در آن تعدادی نمایش نیز برای کمک به خواننده در کسب تجربه عملی با نظریه‌ها و الگوریتم‌های مرتبط در دسترس است. این نسخه شامل بحث طبقه بندی بیزی، شبکه های بیزی، طراحی طبقه بندی کننده خطی و غیرخطی (شامل شبکه های عصبی و ماشین های بردار پشتیبان)، برنامه نویسی پویا و مدل های پنهان مارکوف برای داده های متوالی، تولید ویژگی (شامل موجک ها، تجزیه و تحلیل مؤلفه های اصلی، تجزیه و تحلیل مؤلفه های مستقل و فراکتال ها)، تکنیک های انتخاب ویژگی، مفاهیم پایه از تئوری یادگیری، و مفاهیم و الگوریتم های خوشه بندی. این کتاب تئوری و عمل کلاسیک و فعلی را، چه با نظارت و چه بدون نظارت، برای ایجاد یک پس‌زمینه کامل برای متخصصان و دانشجویان مهندسی در نظر می‌گیرد. برای مربیان: برای دسترسی به کتابچه راهنمای راه حل برای این عنوان، کافی است در وب سایت کتاب درسی ما (textbooks.elsevier.com) ثبت نام کنید و درخواست دسترسی به حوزه موضوعی علوم کامپیوتر یا الکترونیک و مهندسی برق کنید. پس از تأیید (معمولاً ظرف یک روز کاری) می‌توانید از طریق پیوند \"راهنمای مربی\" در صفحه وب کامل این کتاب به همه مطالب فقط برای مربی دسترسی داشته باشید. * آخرین نتایج در مورد ماشین‌های بردار پشتیبان از جمله v-SVM و تفسیر هندسی آنها * ترکیب‌های طبقه‌بندی کننده از جمله رویکرد تقویتی * مواد پیشرفته برای الگوریتم‌های خوشه‌بندی که برای مجموعه داده‌های بزرگ و/یا داده‌های ابعادی بالا، مطابق با نیاز برنامه های کاربردی مانند وب کاوی و بیوانفورماتیک * پوشش برنامه های مختلف مانند تجزیه و تحلیل تصویر، تشخیص کاراکتر نوری، تساوی کانال، تشخیص گفتار و طبقه بندی صدا

توضیحاتی درمورد کتاب به خارجی

A classic -- offering comprehensive and unified coverage with a balance between theory and practice! Pattern recognition is integral to a wide spectrum of scientific disciplines and technologies including image analysis, speech recognition, audio classification, communications, computer-aided diagnosis, and data mining. The authors, leading experts in the field of pattern recognition, have once again provided an up-to-date, self-contained volume encapsulating this wide spectrum of information. Each chapter is designed to begin with basics of theory progressing to advanced topics and then discusses cutting-edge techniques. Problems and exercises are present at the end of each chapter with a solutions manual provided via a companion website where a number of demonstrations are also available to aid the reader in gaining practical experience with the theories and associated algorithms. This edition includes discussion of Bayesian classification, Bayesian networks, linear and nonlinear classifier design (including neural networks and support vector machines), dynamic programming and hidden Markov models for sequential data, feature generation (including wavelets, principal component analysis, independent component analysis and fractals), feature selection techniques, basic concepts from learning theory, and clustering concepts and algorithms. This book considers classical and current theory and practice, of both supervised and unsupervised pattern recognition, to build a complete background for professionals and students of engineering. FOR INSTRUCTORS: To obtain access to the solutions manual for this title simply register on our textbook website (textbooks.elsevier.com)and request access to the Computer Science or Electronics and Electrical Engineering subject area. Once approved (usually within one business day) you will be able to access all of the instructor-only materials through the "Instructor Manual" link on this book's full web page. * The latest results on support vector machines including v-SVM's and their geometric interpretation * Classifier combinations including the Boosting approach * State-of-the-art material for clustering algorithms tailored for large data sets and/or high dimensional data, as required by applications such as web-mining and bioinformatics * Coverage of diverse applications such as image analysis, optical character recognition, channel equalization, speech recognition and audio classification

فهرست مطالب

Content: 
Preface, Pages xv-xvi
Chapter 1 - Introduction, Pages 1-11
Chapter 2 - Classifiers Based on Bayes Decision Theory, Pages 13-67
Chapter 3 - Linear Classifiers, Pages 69-120
Chepter 4 - Nonlinear Classifiers, Pages 121-211
Chapter 5 - Feature Selection, Pages 213-262
Chapter 6 - Feature Generation I: Linear Transforms, Pages 263-326
Chapter 7 - Feature Generation II, Pages 327-396
Chapter 8 - Template Matching, Pages 397-426
Chapter 9 - Context-Dependent Classification, Pages 427-469
Chapter 10 - System Evaluation, Pages 471-481
Chapter 11 - Clustering: Basic Concepts, Pages 483-516
Chapter 12 - Clustering Algorithms I: Sequential Algorithms, Pages 517-540
Chapter 13 - Clustering Algorithms II: Hierarchical Algorithms, Pages 541-587
Chapter 14 - Clustering Algorithms III: Schemes Based on Function Optimization, Pages 589-651
Chapter 15 - Clustering Algorithms IV, Pages 653-731
Chapter 16 - Cluster Validity, Pages 733-783
Appendix A - Hints from Probability and Statistics, Pages 785-796
Appendix B - Linear Algebra Basics, Pages 797-799
Appendix C - Cost Function Optimization, Pages 801-818
Appendix D - Basic Definitions from Linear Systems Theory, Pages 819-822
Index, Pages 823-837