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: B.K. Tripathy, Anveshrithaa Sundareswaran, Shrusti Ghela سری: ISBN (شابک) : 1032041013, 9781032041018 ناشر: CRC Press سال نشر: 2021 تعداد صفحات: 174 [175] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 Mb
در صورت تبدیل فایل کتاب Unsupervised Learning Approaches for Dimensionality Reduction and Data Visualization 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 رویکردهای یادگیری بدون نظارت برای کاهش ابعاد و تجسم داده ها 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.
رویکردهای یادگیری بدون نظارت برای کاهش ابعاد و داده تجسم الگوریتمهایی مانند تعبیه خطی محلی (LLE)، نقشههای ویژه لاپلاسی، ایزومپ، جاسازی نیمه معین، و t-SNE را برای حل مشکل کاهش ابعاد توصیف میکند. مورد روابط غیر خطی در داده ها. مفاهیم اساسی ریاضی، مشتقات، و برهان ها با توضیحات منطقی برای این الگوریتم ها، از جمله نقاط قوت و محدودیت ها مورد بحث قرار می گیرند. این کتاب موارد استفاده مهم از این الگوریتمها را برجسته میکند و مثالهایی را همراه با تجسم ارائه میدهد. مطالعه تطبیقی الگوریتمها ارائه شده است تا ایده روشنی در مورد انتخاب بهترین الگوریتم مناسب برای یک مجموعه داده معین برای کاهش ابعاد کارآمد و تجسم داده ارائه شود.
ویژگی ها
این کتاب برای متخصصان، دانشجویان فارغ التحصیل و محققان علوم و مهندسی کامپیوتر، علوم داده، یادگیری ماشین، بینایی کامپیوتر، داده کاوی، یادگیری عمیق، فیلتر دادههای حسگر، استخراج ویژگی برای سیستمهای کنترل و ابزار پزشکی طراحی شده است. استخراج ورودی.
Unsupervised Learning Approaches for Dimensionality Reduction and Data Visualization describes such algorithms as Locally Linear Embedding (LLE), Laplacian Eigenmaps, Isomap, Semidefinite Embedding, and t-SNE to resolve the problem of dimensionality reduction in the case of non-linear relationships within the data. Underlying mathematical concepts, derivations, and proofs with logical explanations for these algorithms are discussed, including strengths and limitations. The book highlights important use cases of these algorithms and provides examples along with visualizations. Comparative study of the algorithms is presented to give a clear idea on selecting the best suitable algorithm for a given dataset for efficient dimensionality reduction and data visualization.
FEATURES
This book is aimed at professionals, graduate students, and researchers in Computer Science and Engineering, Data Science, Machine Learning, Computer Vision, Data Mining, Deep Learning, Sensor Data Filtering, Feature Extraction for Control Systems, and Medical Instruments Input Extraction.