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 Practical Graph Mining with R

دانلود کتاب نمودار عملی استخراج با R

مشخصات کتاب

Practical Graph Mining with R

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان: Samatova. Nagiza F.,  Hendrix. William,  Jenkins. John,  Padmanabhan. Kanchana,  Chakraborty. Arpan  
سری: Chapman & Hall/CRC Data Mining and Knowledge Discovery Series 
ISBN (شابک) : 9781439860847, 9781439860854 
ناشر: CRC Press 
سال نشر: 2013 
تعداد صفحات: 489 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 23 مگابایت

قیمت کتاب (تومان) : 38,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد

کلمات کلیدی مربوط به کتاب نمودار عملی استخراج با R: کتابخانه، ادبیات کامپیوتر، ر

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 8

در صورت تبدیل فایل کتاب Practical Graph Mining with R 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 نمودار عملی استخراج با R 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 نمودار عملی استخراج با R

کشف دانش جدید و روشنگر از داده‌های ارائه‌شده به‌عنوان یک نمودار عملی استخراج نمودار با R یک رویکرد «خودت انجام بده» را برای استخراج الگوهای جالب از داده‌های نمودار ارائه می‌دهد. بسیاری از تکنیک‌های اساسی و پیشرفته برای شناسایی الگوهای غیرعادی یا اغلب تکرار شونده در یک نمودار، کشف گروه‌ها یا خوشه‌هایی از گره‌هایی که الگوهای مشترکی از ویژگی‌ها و روابط مشترک دارند، استخراج الگوهایی که یک دسته از نمودارها را از دسته دیگر متمایز می‌کنند، پوشش می‌دهد. و استفاده از آن الگوها برای پیش بینی دسته بندی نمودارهای جدید. کاربرد عملی داده کاوی نموداری هر فصل از کتاب بر روی یک کار گراف کاوی مانند تجزیه و تحلیل پیوند، تجزیه و تحلیل خوشه ای و طبقه بندی تمرکز دارد. از طریق برنامه های کاربردی با استفاده از مجموعه داده های واقعی، این کتاب نشان می دهد که چگونه تکنیک های محاسباتی می توانند به حل مسائل دنیای واقعی کمک کنند. برنامه های تحت پوشش شامل تشخیص نفوذ شبکه، تشخیص سلول های تومور، تشخیص چهره، سم شناسی پیش بینی، استخراج متابولیک و شبکه های تعامل پروتئین-پروتئین و تشخیص جامعه در شبکه های اجتماعی است. شهود را از طریق مثال های ساده و مبانی ریاضی دقیق توسعه می دهد هر الگوریتم و مثال با کد R همراه است. این به خوانندگان اجازه می دهد تا ببینند که چگونه تکنیک های الگوریتمی با فرآیند تجزیه و تحلیل داده های نمودار مطابقت دارند و از تکنیک های گراف کاوی در عمل استفاده کنند. متن همچنین توضیح دقیق و رسمی از ریاضیات اساسی هر تکنیک می دهد. گراف کاوی را برای سطوح مختلف تخصص در دسترس قرار می دهد با فرض اینکه هیچ دانش قبلی در مورد ریاضیات یا داده کاوی وجود ندارد، این کتاب مستقل برای دانش آموزان، محققان و دست اندرکاران داده کاوی نموداری قابل دسترسی است. این کتاب به عنوان یک کتاب درسی اولیه برای گراف کاوی یا به عنوان مکمل یک دوره استاندارد داده کاوی مناسب است. همچنین می تواند به عنوان مرجعی برای محققان در علوم کامپیوتر، اطلاعات و محاسبات و همچنین یک راهنمای مفید برای متخصصان تجزیه و تحلیل داده ها استفاده شود.

توضیحاتی درمورد کتاب به خارجی

Discover Novel and Insightful Knowledge from Data Represented as a Graph Practical Graph Mining with R presents a "do-it-yourself" approach to extracting interesting patterns from graph data. It covers many basic and advanced techniques for the identification of anomalous or frequently recurring patterns in a graph, the discovery of groups or clusters of nodes that share common patterns of attributes and relationships, the extraction of patterns that distinguish one category of graphs from another, and the use of those patterns to predict the category of new graphs. Hands-On Application of Graph Data Mining Each chapter in the book focuses on a graph mining task, such as link analysis, cluster analysis, and classification. Through applications using real data sets, the book demonstrates how computational techniques can help solve real-world problems. The applications covered include network intrusion detection, tumor cell diagnostics, face recognition, predictive toxicology, mining metabolic and protein-protein interaction networks, and community detection in social networks. Develops Intuition through Easy-to-Follow Examples and Rigorous Mathematical Foundations Every algorithm and example is accompanied with R code. This allows readers to see how the algorithmic techniques correspond to the process of graph data analysis and to use the graph mining techniques in practice. The text also gives a rigorous, formal explanation of the underlying mathematics of each technique. Makes Graph Mining Accessible to Various Levels of Expertise Assuming no prior knowledge of mathematics or data mining, this self-contained book is accessible to students, researchers, and practitioners of graph data mining. It is suitable as a primary textbook for graph mining or as a supplement to a standard data mining course. It can also be used as a reference for researchers in computer, information, and computational science as well as a handy guide for data analytics practitioners.