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
ویرایش:
نویسندگان: Matthias Dehmer. Subhash C. Basak
سری:
ISBN (شابک) : 9780470195154
ناشر: Wiley
سال نشر: 2012
تعداد صفحات: 332
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
در صورت تبدیل فایل کتاب Statistical and Machine Learning Approaches for Network Analysis 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 روشهای آماری و یادگیری ماشین برای تحلیل شبکه 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.
رویکردهای یادگیری ماشینی و آماری برای تجزیه و تحلیل شبکه یک چارچوب قابل دسترس برای تجزیه و تحلیل ساختاری نمودارها با کنار هم قرار دادن رویکردهای شناخته شده و جدید در کلاس های گراف و معیارهای گراف برای طبقه بندی فراهم می کند. این کتاب با ارائه رویکردهای مختلف بر اساس دادههای تجربی، با بررسی کاربرد تکنیکهای یادگیری ماشین در انواع مختلف شبکههای پیچیده، بهطور منحصربهفردی خود را از ادبیات کنونی متمایز میکند. این کتاب متشکل از فصول نوشته شده توسط محققان مشهور بین المللی در زمینه نظریه شبکه های بین رشته ای، روش های رایج و کلاسیک را برای تجزیه و تحلیل آماری شبکه ها ارائه می دهد. روشهای یادگیری ماشین، دادهکاوی و تئوری اطلاعات به شدت مورد تاکید قرار گرفتهاند.
Statistical and Machine Learning Approaches for Network Analysis provides an accessible framework for structurally analyzing graphs by bringing together known and novel approaches on graph classes and graph measures for classification. By providing different approaches based on experimental data, the book uniquely sets itself apart from the current literature by exploring the application of machine learning techniques to various types of complex networks. Comprised of chapters written by internationally renowned researchers in the field of interdisciplinary network theory, the book presents current and classical methods to analyze networks statistically. Methods from machine learning, data mining, and information theory are strongly emphasized throughout.