The Top Ten Algorithms in Data Mining

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Wu Xindong (Editor) . Kumar Vipin (Editor)  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 206 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 28,000

Xindong Wu، Vipin Kumar ده الگوریتم برتر در داده کاوی. چپمن و هال/CRC. 2009. 208 با شناسایی برخی از تاثیرگذارترین الگوریتم هایی که به طور گسترده در جامعه داده کاوی استفاده می شود، ده الگوریتم برتر در داده کاوی شرحی از هر الگوریتم ارائه می دهد. تأثیر آن را مورد بحث قرار می دهد و تحقیقات فعلی و آینده را بررسی می کند. هر فصل که به طور کامل توسط بازبینان مستقل ارزیابی می شود، بر روی یک الگوریتم خاص تمرکز می کند و توسط نویسندگان اصلی الگوریتم یا محققان درجه یک جهانی که الگوریتم مربوطه را به طور گسترده مطالعه کرده اند، نوشته شده است.

Xindong Wu, Vipin Kumar The Top Ten Algorithms in Data Mining. Chapman&Hall/CRC. 2009. 208 Identifying some of the most influential algorithms that are widely used in the data mining community, The Top Ten Algorithms in Data Mining provides a description of each algorithm, discusses its impact, and reviews current and future research. Thoroughly evaluated by independent reviewers, each chapter focuses on a particular algorithm and is written by either the original authors of the algorithm or world-class researchers who have extensively studied the respective algorithm. The book concentrates on the following important algorithms: C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART. Examples illustrate how each algorithm works and highlight its overall performance in a real-world application. The text covers key topics—including classification, clustering, statistical learning, association analysis, and link mining—in data mining research and development as well as in data mining, machine learning, and artificial intelligence courses. By naming the leading algorithms in this field, this book encourages the use of data mining techniques in a broader realm of real-world applications. It should inspire more data mining researchers to further explore the impact and novel research issues of these algorithms.