مشخصات کتاب

Swarm intelligence methods for statistical regression

ویرایش:  
نویسندگان: Mohanty Soumya D  
سری:  
ISBN (شابک) : 9781138558182, 1315151278 
ناشر: CRC Press 
سال نشر: 2019 
تعداد صفحات: 137 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

کلمات کلیدی مربوط به کتاب روشهای هوش ازدحام برای رگرسیون آماری: کلان داده، هوش محاسباتی، کامپیوتر / پایگاه داده / انبار داده، تجزیه و تحلیل رگرسیون، هوش ازدحام، کتاب های الکترونیکی

در صورت تبدیل فایل کتاب Swarm intelligence methods for statistical regression 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 هوش ازدحام برای رگرسیون آماری 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 روشهای هوش ازدحام برای رگرسیون آماری

مقدمه -- تئوری بهینه سازی تصادفی -- محاسبات تکاملی و ازدحام -- بهینه سازی ازدحام ذرات -- برنامه های کاربردی PSO. ؛\"یک وظیفه اصلی در تجزیه و تحلیل داده های بزرگ، تطبیق مدل های انعطاف پذیر، با ابعاد بالا با داده های پر سر و صدا به منظور ضبط است. الگوهای معنادار. این اغلب می‌تواند منجر به چالش‌برانگیز شدن مسائل بهینه‌سازی جهانی غیرخطی و غیرمحدب شود. حجم بزرگ داده‌ای که باید در برنامه‌های Big Data به کار گرفته شود، دشواری این مشکل را بیشتر می‌کند. این کتاب روش‌هایی از حوزه محاسبات را توضیح می‌دهد. هوش ازدحام (SI) و نحوه استفاده از آنها برای حل مسائل بهینه سازی که در تجزیه و تحلیل داده های بزرگ با آن مواجه می شوند. برخی از مشکلات تجزیه و تحلیل داده های عمومی را در نظر می گیرد و چگونه می توان با استفاده از روش های SI به آنها رسیدگی کرد\"--

توضیحاتی درمورد کتاب به خارجی

Introduction -- Stochastic optimization theory -- Evolutionary computation and swarm -- Particle swarm optimization -- PSO applications.;"A core task in Big Data analytics is the fitting of flexible, high-dimensional, models to noisy data in order to capture meaningful patterns. This can often result in challenging non-linear and non-convex global optimization problems. The large data volume that must be handled in Big Data applications further increases the difficulty of this problem. This book will describe methods from the field of computational swarm intelligence (SI) and how they can be used to solve optimization problems encountered in Big Data analytics. It will consider some generic data analysis problems, and how they may be addressed using SI methods"--

فهرست مطالب

Cover......Page 1
Half Title......Page 2
Title Page......Page 4
Copyright Page......Page 5
Dedication......Page 6
Table of Contents......Page 8
Preface......Page 12
Conventions and Notation......Page 16
 1.1 OPTIMIZATION IN STATISTICAL ANALYSIS......Page 18
 1.2 STATISTICAL ANALYSIS: BRIEF OVERVIEW......Page 20
  1.3.1 Parametric regression......Page 23
  1.3.2 Non-parametric regression......Page 25
 1.4 HYPOTHESES TESTING......Page 28
  1.5.1 Noise in the independent variable......Page 32
  1.5.2 Statistical analysis and machine learning......Page 33
CHAPTER 2: Stochastic Optimization Theory......Page 36
 2.1 TERMINOLOGY......Page 37
 2.2 CONVEX AND NON-CONVEX OPTIMIZATION PROBLEMS......Page 38
 2.3 STOCHASTIC OPTIMIZATION......Page 41
 2.4 EXPLORATION AND EXPLOITATION......Page 45
 2.5 BENCHMARKING......Page 47
 2.6 TUNING......Page 49
 2.7 BMR STRATEGY......Page 51
 2.8 PSEUDO-RANDOM NUMBERS AND STOCHASTIC OPTIMIZATION......Page 52
 2.9 NOTES......Page 53
 3.1 OVERVIEW......Page 54
 3.2 EVOLUTIONARY COMPUTATION......Page 56
 3.3 SWARM INTELLIGENCE......Page 58
 3.4 NOTES......Page 59
CHAPTER 4: Particle Swarm Optimization......Page 62
 4.1 KINEMATICS: GLOBAL-BEST PSO......Page 63
 4.2 DYNAMICS: GLOBAL-BEST PSO......Page 65
  4.2.2 Interpreting the velocity update rule......Page 66
  4.2.3 Importance of limiting particle velocity......Page 68
  4.2.4 Importance of proper randomization......Page 70
  4.2.5 Role of inertia......Page 71
 4.3 KINEMATICS: LOCAL-BEST PSO......Page 73
 4.4 DYNAMICS: LOCAL-BEST PSO......Page 75
 4.5 STANDARDIZED COORDINATES......Page 76
 4.7 NOTES......Page 77
  4.7.1 Additional PSO variants......Page 78
  4.7.2 Performance example......Page 80
CHAPTER 5: PSO Applications......Page 82
  5.1.1 Fitness function......Page 83
  5.1.2 Data simulation......Page 84
  5.1.3 Parametric degeneracy and noise......Page 85
  5.2.1 Tuning......Page 87
  5.2.2 Results......Page 91
 5.3 NON-PARAMETRIC REGRESSION......Page 94
  5.3.1 Reparametrization in regression spline......Page 95
  5.3.2 Results: Fixed number of breakpoints......Page 98
  5.3.3 Results: Variable number of breakpoints......Page 99
 5.4 NOTES AND SUMMARY......Page 101
  5.4.1 Summary......Page 104
 A.1 RANDOM VARIABLE......Page 106
 A.2 PROBABILITY MEASURE......Page 107
 A.3 JOINT PROBABILITY......Page 109
 A.4 CONTINUOUS RANDOM VARIABLES......Page 111
 A.5 EXPECTATION......Page 114
 A.6 COMMON PROBABILITY DENSITY FUNCTIONS......Page 115
 B.1 DEFINITION......Page 118
 B.2 B-SPLINE BASIS......Page 120
APPENDIX C: Analytical Minimization......Page 124
 C.1 QUADRATIC CHIRP......Page 125
 C.2 SPLINE-BASED SMOOTHING......Page 126
Bibliography......Page 128
Index......Page 134

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Objektlokalisation: Ein System zur sprachlichen Raumbeschreibung

دانلود کتاب Securitization and the Global Economy: History and Prospects for the Future

دانلود کتاب Геометрия. 8 класс. Учебник

دانلود کتاب The Future Is Faster Than You Think: How Converging Technologies Are Transforming Business, Industries, and Our Lives

دانلود کتاب 福爾摩斯小姐 1:貝克街的淑女偵探 A Study in Scarlet Women