دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Time Series Clustering and Classification
دانلود کتاب خوشه بندی و طبقه بندی سری های زمانی
مشخصات کتاب
Time Series Clustering and Classification
ویرایش: 1 نویسندگان: Elizabeth Ann Maharaj (Author), Pierpaolo D`Urso (Author), Jorge Caiado (Author) سری: ISBN (شابک) : 9781498773225, 9780429603303 ناشر: Chapman and Hall/CRC سال نشر: 2019 تعداد صفحات: 245 زبان: فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 50,000
در صورت تبدیل فایل کتاب Time Series Clustering and Classification 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 خوشه بندی و طبقه بندی سری های زمانی 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 خوشه بندی و طبقه بندی سری های زمانی
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
- شامل مجموعه‌ای از مثال‌های واقعی از پزشکی، مالی، علوم محیطی و موارد دیگر است
- کد R و MATLAB و مرتبط مجموعه داده‌ها در وبسایت
< p>
توضیحاتی درمورد کتاب به خارجی
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
فهرست مطالب
Dedications Contents Preface Authors 1 Introduction 2 Time series features and models Part I: Unsupervised Approaches: Clustering Techniques for Time Series 3 Traditional cluster analysis 4 Fuzzy clustering 5 Observation-based clustering 6 Feature-based clustering 7 Model-based clustering 8 Other time series clustering approaches Part II: Supervised Approaches: Classification Techniques for Time Series 9 Feature-based approaches 10 Other time series classification approaches Part III: Software and Data Sets 11 Software and data sets Bibliography Subject index
