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: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Alessio Farcomeni. Luca Greco سری: ISBN (شابک) : 1466590629, 9781466590625 ناشر: Chapman and Hall/CRC سال نشر: 2015 تعداد صفحات: 297 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
کلمات کلیدی مربوط به کتاب روش های قوی برای کاهش داده ها: علوم و مهندسی کامپیوتر، هوش مصنوعی، داده کاوی
در صورت تبدیل فایل کتاب Robust Methods for Data Reduction 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 روش های قوی برای کاهش داده ها 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.
روشهای قوی برای کاهش دادهها یک نمای کلی غیر فنی از تکنیکهای کاهش داده قوی ارائه میدهد و استفاده از این روشهای مهم و مفید را در کاربردهای عملی تشویق میکند. حوزه های اصلی تحت پوشش شامل تجزیه و تحلیل مؤلفه های اصلی، تجزیه و تحلیل مؤلفه های اصلی پراکنده، تجزیه و تحلیل همبستگی متعارف، تحلیل عاملی، خوشه بندی، خوشه بندی دوگانه و تجزیه و تحلیل متمایز است.
بخش اول کتاب. نشان میدهد که چگونه تکنیکهای کاهش ابعاد، اطلاعات موجود را با کاهش ابعاد دادهها ترکیب میکنند. بخش دوم بر تجزیه و تحلیل خوشه ای و متمایز متمرکز است. نویسندگان نحوه انجام کاهش نمونه را با یافتن گروه ها در داده ها توضیح می دهند.
علی رغم دستاوردهای نظری قابل توجه، روش های قوی اغلب در عمل استفاده نمی شوند. این کتاب شکاف بین تکنیک های قوی نظری و تجزیه و تحلیل مجموعه داده های واقعی در حوزه کاهش داده ها را پر می کند. با استفاده از مثالهای واقعی، نویسندگان نحوه اجرای رویهها را در R نشان میدهند. کد و دادههای نمونهها در صفحه وب CRC Press کتاب موجود است.
Robust Methods for Data Reduction gives a non-technical overview of robust data reduction techniques, encouraging the use of these important and useful methods in practical applications. The main areas covered include principal components analysis, sparse principal component analysis, canonical correlation analysis, factor analysis, clustering, double clustering, and discriminant analysis.
The first part of the book illustrates how dimension reduction techniques synthesize available information by reducing the dimensionality of the data. The second part focuses on cluster and discriminant analysis. The authors explain how to perform sample reduction by finding groups in the data.
Despite considerable theoretical achievements, robust methods are not often used in practice. This book fills the gap between theoretical robust techniques and the analysis of real data sets in the area of data reduction. Using real examples, the authors show how to implement the procedures in R. The code and data for the examples are available on the book’s CRC Press web page.