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
ویرایش:
نویسندگان: Amit Konar. Diptendu Bhattacharya
سری:
ISBN (شابک) : 9783319545974
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 248
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Time-Series Prediction and Applications. A Machine Intelligence Approach 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 پیشبینی سریهای زمانی و کاربردها. رویکرد هوش ماشینی 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.
این کتاب یادگیری ماشین و مجموعههای فازی نوع ۲ را برای
پیشبینی سریهای زمانی با تمرکز ویژه بر برنامههای پیشبینی
کسبوکار ارائه میکند. همچنین تکنیکهای مدیریت عدم قطعیت جدیدی
را در یک سری زمانی اقتصادی با استفاده از مجموعههای فازی نوع 2
برای پیشبینی سریهای زمانی در یک نقطه زمانی معین از مقدار قبلی
آن در محیطهای تجاری نوسان پیشنهاد میکند. از یادگیری ماشینی
برای تعیین الگوهای ساختاری مشابه تکراری در سری های زمانی
استفاده می کند و از خودکار تصادفی برای پیش بینی احتمالی ترین
ساختار در یک پارتیشن معین از سری زمانی استفاده می کند. چنین
پیشبینیهایی به تعیین حرکات احتمالی در یک سری زمانی شاخص سهام
کمک میکند
این کتاب عمدتاً برای دانشجویان تحصیلات تکمیلی و محققان علوم
کامپیوتر نوشته شده است، به همان اندازه برای محققان / متخصصان
هوش تجاری و پیشبینی شاخص سهام مفید است. پیشینه ریاضیات در مقطع
کارشناسی برای اکثر بخش ها، اگرچه اجباری نیست، فرض می شود.
تمرینات همراه با نکات در پایان هر فصل برای توانایی و درک
خوانندگان از موضوعات تحت پوشش ارائه شده است.
This book presents machine learning and type-2 fuzzy sets for
the prediction of time-series with a particular focus on
business forecasting applications. It also proposes new
uncertainty management techniques in an economic time-series
using type-2 fuzzy sets for prediction of the time-series at a
given time point from its preceding value in fluctuating
business environments. It employs machine learning to determine
repetitively occurring similar structural patterns in the
time-series and uses stochastic automaton to predict the most
probabilistic structure at a given partition of the
time-series. Such predictions help in determining probabilistic
moves in a stock index time-series
Primarily written for graduate students and researchers in
computer science, the book is equally useful for
researchers/professionals in business intelligence and stock
index prediction. A background of undergraduate level
mathematics is presumed, although not mandatory, for most of
the sections. Exercises with tips are provided at the end of
each chapter to the readers’ ability and understanding of the
topics covered.
Front Matter....Pages i-xviii
An Introduction to Time-Series Prediction....Pages 1-37
Self-adaptive Interval Type-2 Fuzzy Set Induced Stock Index Prediction....Pages 39-103
Handling Main and Secondary Factors in the Antecedent for Type-2 Fuzzy Stock Prediction....Pages 105-132
Learning Structures in an Economic Time-Series for Forecasting Applications....Pages 133-188
Grouping of First-Order Transition Rules for Time-Series Prediction by Fuzzy-Induced Neural Regression....Pages 189-233
Conclusions....Pages 235-236
Back Matter....Pages 237-242