Time Series Clustering and Classification

آغاز عصر هوش مصنوعی و یادگیری ماشینی چالش‌ها و فرصت‌های جدیدی را برای تحلیلگران داده، آماردانان، ریاضیدانان، اقتصادسنجی‌ها، دانشمندان کامپیوتر و بسیاری دیگر ایجاد کرده است. ریشه این تکنیک‌ها الگوریتم‌ها و روش‌هایی برای خوشه‌بندی و طبقه‌بندی انواع مختلف مجموعه داده‌های بزرگ، از جمله داده‌های سری زمانی است.

خوشه‌بندی و طبقه‌بندی سری‌های زمانی شامل پیشرفت‌های مرتبط در روش‌های خوشه‌بندی سنتی و فازی مبتنی بر مشاهده، مبتنی بر ویژگی و مدل، روش‌های طبقه‌بندی مبتنی بر ویژگی و مدل، و روش‌های یادگیری ماشین. این یک نمای کلی گسترده و مستقل از تکنیک ها را برای محققان و دانشجویان ارائه می دهد.

ویژگی ها

• یک نمای کلی ارائه می دهد. از روش ها و کاربردهای تشخیص الگوی سری های زمانی
• گستره وسیعی از تکنیک ها، از جمله رویکردهای بدون نظارت و نظارت را پوشش می دهد

< p>

• شامل مجموعه‌ای از مثال‌های واقعی از پزشکی، مالی، علوم محیطی و موارد دیگر است
• کد R و MATLAB و مرتبط مجموعه داده‌ها در وب‌سایت

The beginning of the age of artificial intelligence and machine learning has created new challenges and opportunities for data analysts, statisticians, mathematicians, econometricians, computer scientists and many others. At the root of these techniques are algorithms and methods for clustering and classifying different types of large datasets, including time series data.

Time Series Clustering and Classification includes relevant developments on observation-based, feature-based and model-based traditional and fuzzy clustering methods, feature-based and model-based classification methods, and machine learning methods. It presents a broad and self-contained overview of techniques for both researchers and students.

Features

• Provides an overview of the methods and applications of pattern recognition of time series
• Covers a wide range of techniques, including unsupervised and supervised approaches
• Includes a range of real examples from medicine, finance, environmental science, and more
• R and MATLAB code, and relevant data sets are available on a supplementary website