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
دسته بندی: ریاضیات ویرایش: 1 نویسندگان: Alexander N. Gorban, Balázs Kégl, Donald C. Wunsch, Andrei Zinovyev سری: Lecture Notes in Computational Science and Engineering ISBN (شابک) : 3540737499, 1082582646 ناشر: Springer سال نشر: 2007 تعداد صفحات: 367 زبان: German فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Principal Manifolds for Data Visualization and Dimension Reduction (Lecture Notes in Computational Science and Engineering) 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 منیفولدهای اصلی برای تجسم داده ها و کاهش ابعاد (یادداشت های سخنرانی در علوم و مهندسی محاسباتی) 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.
در سال 1901، کارل پیرسون تجزیه و تحلیل اجزای اصلی (PCA) را اختراع کرد. از آن زمان، PCA به عنوان نمونه اولیه برای بسیاری از ابزارهای دیگر تجزیه و تحلیل داده، تجسم و کاهش ابعاد عمل می کند: تجزیه و تحلیل مؤلفه های مستقل (ICA)، مقیاس گذاری چند بعدی (MDS)، PCA غیرخطی (NLPCA)، نقشه های خود سازمان دهی (SOM) و غیره. کتاب با نقل قول از تعریف کلاسیک پیرسون PCA شروع می شود و شامل بررسی روش های مختلف است: NLPCA، ICA، MDS، الگوریتم های تعبیه و خوشه بندی، منیفولدهای اصلی و SOM. رویکردهای جدید به NLPCA، منیفولدهای اصلی، اجزای اصلی شاخهبندی و نگاشتهای حفظ توپولوژی نیز شرح داده شدهاند. ارائه الگوریتمها با مطالعات موردی، از مهندسی تا نجوم، اما بیشتر از دادههای بیولوژیکی تکمیل میشود: تجزیه و تحلیل دادههای ریزآرایه و متابولیت. جلد با آموزش \"PCA and K-meansВ رمزگشایی ژنوم\" به پایان میرسد. این کتاب قرار است برای پزشکان در تجزیه و تحلیل داده های کاربردی در علوم زیستی، مهندسی، فیزیک و شیمی مفید باشد. همچنین برای دانشجویان دکترا و محققان علوم کامپیوتر، ریاضیات کاربردی و آمار ارزشمند خواهد بود.
In 1901, Karl Pearson invented Principal Component Analysis (PCA). Since then, PCA serves as a prototype for many other tools of data analysis, visualization and dimension reduction: Independent Component Analysis (ICA), Multidimensional Scaling (MDS), Nonlinear PCA (NLPCA), Self Organizing Maps (SOM), etc. The book starts with the quote of the classical Pearson definition of PCA and includes reviews of various methods: NLPCA, ICA, MDS, embedding and clustering algorithms, principal manifolds and SOM. New approaches to NLPCA, principal manifolds, branching principal components and topology preserving mappings are described as well. Presentation of algorithms is supplemented by case studies, from engineering to astronomy, but mostly of biological data: analysis of microarray and metabolite data. The volume ends with a tutorial "PCA and K-meansВ decipher genome". The book is meant to be useful for practitioners in applied data analysis in life sciences, engineering, physics and chemistry; it will also be valuable to PhD students and researchers in computer sciences, applied mathematics and statistics.
Front Matter....Pages I-XXIII
Developments and Applications of Nonlinear Principal Component Analysis – a Review....Pages 1-43
Nonlinear Principal Component Analysis: Neural Network Models and Applications....Pages 44-67
Learning Nonlinear Principal Manifolds by Self-Organising Maps....Pages 68-95
Elastic Maps and Nets for Approximating Principal Manifolds and Their Application to Microarray Data Visualization....Pages 96-130
Topology-Preserving Mappings for Data Visualisation....Pages 131-150
The Iterative Extraction Approach to Clustering....Pages 151-177
Representing Complex Data Using Localized Principal Components with Application to Astronomical Data....Pages 178-201
Auto-Associative Models, Nonlinear Principal Component Analysis, Manifolds and Projection Pursuit....Pages 202-218
Beyond The Concept of Manifolds: Principal Trees, Metro Maps, and Elastic Cubic Complexes....Pages 219-237
Diffusion Maps - a Probabilistic Interpretation for Spectral Embedding and Clustering Algorithms....Pages 238-260
On Bounds for Diffusion, Discrepancy and Fill Distance Metrics....Pages 261-270
Geometric Optimization Methods for the Analysis of Gene Expression Data....Pages 271-292
Dimensionality Reduction and Microarray Data....Pages 293-308
PCA and K-Means Decipher Genome....Pages 309-323
Back Matter....Pages 325-334