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: 1 نویسندگان: Michael W. Berry سری: ISBN (شابک) : 9780387955636, 0387955631 ناشر: Springer سال نشر: 2003 تعداد صفحات: 261 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 Survey of Text Mining I: Clustering, Classification, and Retrieval 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 بررسی استخراج متن I: خوشه بندی ، طبقه بندی و بازیابی 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.
استخراج محتوا از متن همچنان یک مشکل تحقیقاتی مهم برای پردازش و مدیریت اطلاعات است. رویکردهایی برای درک معنایی مجموعه اسناد مبتنی بر متن ممکن است بر اساس مدلهای بیزی، نظریه احتمال، مدلهای فضای برداری، مدلهای آماری یا حتی نظریه گراف باشد. با افزایش حجم رسانه های متنی دیجیتالی شده، نیاز به طراحی استراتژی های فهرست بندی و جستجو (نرم افزار) قوی، مقیاس پذیر برای پاسخگویی به نیازهای مختلف کاربران افزایش می یابد. استخراج یا ایجاد دانش از متن نیاز به پردازش سیستماتیک و در عین حال قابل اعتماد دارد که می تواند برای نیازها و محیط های در حال تغییر کدگذاری و سازگار شود. این کتاب از متخصصان دانشگاه و صنعت استفاده می کند تا رویکردهای عملی را برای خالص سازی، نمایه سازی و استخراج اطلاعات متنی توصیه کنند. این به شناسایی اسناد، خوشهبندی و دستهبندی اسناد، تمیز کردن متن و تجسم مدلهای معنایی متن میپردازد.
Extracting content from text continues to be an important research problem for information processing and management. Approaches to capture the semantics of text-based document collections may be based on Bayesian models, probability theory, vector space models, statistical models, or even graph theory. As the volume of digitized textual media continues to grow, so does the need for designing robust, scalable indexing and search strategies (software) to meet a variety of user needs. Knowledge extraction or creation from text requires systematic yet reliable processing that can be codified and adapted for changing needs and environments. This book will draw upon experts in both academia and industry to recommend practical approaches to the purification, indexing, and mining of textual information. It will address document identification, clustering and categorizing documents, cleaning text, and visualizing semantic models of text.
Cover......Page 1
Contents......Page 5
Preface......Page 11
Part I - Clustering and Classification......Page 19
Bibliography......Page 243
Index......Page 259