مشخصات کتاب

Visual Knowledge Discovery and Machine Learning

ویرایش:  
نویسندگان: Boris Kovalerchuk  
سری:  
ISBN (شابک) : 9783319730400 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 326 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 مگابایت 

در صورت تبدیل فایل کتاب Visual Knowledge Discovery and Machine Learning 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 کشف دانش بصری و یادگیری 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.

توضیحاتی در مورد کتاب کشف دانش بصری و یادگیری ماشینی

3.3 Fixed Single Point Approach3.3.1 Single Point Algorithm; 3.3.2 بیانیه های مبتنی بر الگوریتم تک نقطه ای. 3.3.3 تعمیم یک نقطه ثابت به GLC. 3.4 محدودیت های نظری برای حفظ فواصل n-D در 2-D: لمای جانسون-لیندن اشتراوس. 3.5 نمایش بصری روابط n-D در GLC. 3.5.1 هایپر مکعب ها و خوشه بندی در CPC. 3.5.2 مقایسه وابستگی های خطی در PC، CPC و SPC. 3.5.3 تجسم توابع و عملگرهای خطی n-D در CPC، SPC و PC. منابع؛ 4 GLC قابل تنظیم برای کاهش انسداد و ساده سازی الگو.؛ این کتاب مزایای تجسم داده های با ابعاد بالا و یادگیری ماشین را در زمینه شناسایی الگوهای داده پیچیده n-D ترکیب می کند. به طور گسترده ای کلاس روش های تجسم دو بعدی و سه بعدی بدون تلفات برگشت پذیر را گسترش می دهد که اطلاعات n-D را حفظ می کند. این دسته از نمایش‌های بصری که مختصات خطوط عمومی (GLCs) نامیده می‌شود، با مجموعه‌ای از الگوریتم‌ها برای طبقه‌بندی داده‌های n-D، خوشه‌بندی، کاهش ابعاد و بهینه‌سازی پارتو همراه است. تجزیه و تحلیل های ریاضی و نظری و روش شناسی GLC گنجانده شده است، و سودمندی این رویکرد جدید در مطالعات موردی متعدد نشان داده شده است. اینها شامل فاجعه چلنجر، داده‌های گرسنگی جهان، نظارت بر سلامت، پردازش تصویر، طبقه‌بندی متن، پیش‌بینی بازار برای نرخ ارز، تشخیص‌های پزشکی به کمک رایانه و موارد دیگر است. به این ترتیب، این کتاب یک منبع منحصر به فرد برای دانشجویان، محققان، و شاغلان در زمینه نوظهور علوم داده ارائه می دهد. پیشگفتار؛ سپاسگزاریها؛ فهرست؛ فهرست اختصارات؛ خلاصه؛ 1 انگیزه، مشکلات و رویکرد. 1.1 انگیزه; 1.2 تجسم: از n-D Points تا 2-D Points. 1.3 تجسم: از n-D Points تا 2-D Structures. 1.4 تجزیه و تحلیل گزینه های جایگزین. 1.5 رویکرد; منابع؛ 2 مختصات خط عمومی (GLC)؛ 2.1 مختصات خط عمومی برگشت پذیر. 2.1.1 تعمیم مختصات موازی و شعاعی. 2.1.2 n-Gon و مختصات دایره ای. 2.1.3 انواع GLC در 2-D و 3-D. 2.1.4 مختصات درون خطی. 2.1.5 مختصات پویا. 2.1.6 مختصات بوش و موازی با شیفت. 4.4 ساده سازی الگوها با جابجایی و مقیاس گذاری مختصات دایره ای و n-Gon4.5 کاهش انسداد با مجموعه داده های در حال گسترش و کوچک شدن. 4.5.1 جایگزین های گسترش. 4.5.2 قوانین و دقت طبقه بندی برای مجاورت در E1. 4.6 مطالعات موردی برای توسعه E1; 4.7 بحث; منابع؛ 5 مطالعات موردی GLC; 5.1 مطالعه موردی 1: پردازش شیشه با CPC، APC و SPC. 5.2 مطالعه موردی 2: داده های شبیه سازی شده با PC و CPC. 5.3 مطالعه موردی 3: داده های گرسنگی جهان. 5.4 مطالعه موردی 4: فاجعه شاتل فضایی Challenger USA با PC و CPC. 2.2 مختصات جفت شده برگشت پذیر2.2.1 مختصات متعامد جفت شده. 2.2.2 مختصات جفت شده با مقیاس غیر خطی. 2.2.3 مختصات به هم پیوسته و غیر متعامد. 2.2.4 مختصات شعاعی (ستاره ای) زوجی. 2.2.5 مختصات بیضی جفتی. 2.2.6 مختصات تاج جفتی باز و بسته. 2.2.7 سرکوب بهم ریختگی در مختصات زوجی. 2.3 بحث در مورد روشهای تجسم برگشت پذیر و غیر قابل برگشت. منابع؛ 3 مبانی نظری و ریاضی GLC; 3.1 نمودارها در مختصات خط عمومی. 3.2 مراحل و ویژگی های الگوریتم های ساخت نمودار. 4.1 کاهش انسداد با جابجایی و قطع کردن مختصات شعاعی 4.2 ساده سازی الگوها با تغییر مکان و مقیاس گذاری مختصات موازی. 4.2.1 تغییر و کج کردن مختصات موازی. 4.2.2 تغییر و ترتیب مجدد مختصات موازی. 4.3 ساده سازی الگوها و کاهش انسداد با جابجایی، مرتب سازی مجدد، و نفی مختصات جفت جابجا شده. 4.3.1 نفی مختصات جفت شده جابجا شده برای حذف گذرگاه ها. 4.3.2 جابجایی مختصات زوجی جابجا شده برای ایجاد خطوط افقی مستقیم. 4.3.3 جابجایی مختصات زوجی جابجا شده برای ایجاد یک نقطه 2 بعدی.

توضیحاتی درمورد کتاب به خارجی

3.3 Fixed Single Point Approach3.3.1 Single Point Algorithm; 3.3.2 Statements Based on Single Point Algorithm; 3.3.3 Generalization of a Fixed Point to GLC; 3.4 Theoretical Limits to Preserve n-D Distances in 2-D: Johnson-Lindenstrauss Lemma; 3.5 Visual Representation of n-D Relations in GLC; 3.5.1 Hyper-cubes and Clustering in CPC; 3.5.2 Comparison of Linear Dependencies in PC, CPC and SPC; 3.5.3 Visualization of n-D Linear Functions and Operators in CPC, SPC and PC; References; 4 Adjustable GLCs for Decreasing Occlusion and Pattern Simplification.;This book combines the advantages of high-dimensional data visualization and machine learning in the context of identifying complex n-D data patterns. It vastly expands the class of reversible lossless 2-D and 3-D visualization methods, which preserve the n-D information. This class of visual representations, called the General Lines Coordinates (GLCs), is accompanied by a set of algorithms for n-D data classification, clustering, dimension reduction, and Pareto optimization. The mathematical and theoretical analyses and methodology of GLC are included, and the usefulness of this new approach is demonstrated in multiple case studies. These include the Challenger disaster, world hunger data, health monitoring, image processing, text classification, market forecasts for a currency exchange rate, computer-aided medical diagnostics, and others. As such, the book offers a unique resource for students, researchers, and practitioners in the emerging field of Data Science.;Intro; Preface; Acknowledgements; Contents; List of Abbreviations; Abstract; 1 Motivation, Problems and Approach; 1.1 Motivation; 1.2 Visualization: From n-D Points to 2-D Points; 1.3 Visualization: From n-D Points to 2-D Structures; 1.4 Analysis of Alternatives; 1.5 Approach; References; 2 General Line Coordinates (GLC); 2.1 Reversible General Line Coordinates; 2.1.1 Generalization of Parallel and Radial Coordinates; 2.1.2 n-Gon and Circular Coordinates; 2.1.3 Types of GLC in 2-D and 3-D; 2.1.4 In-Line Coordinates; 2.1.5 Dynamic Coordinates; 2.1.6 Bush and Parallel Coordinates with Shifts.;4.4 Simplifying Patterns by Relocating and Scaling Circular and n-Gon Coordinates4.5 Decreasing Occlusion with the Expanding and Shrinking Datasets; 4.5.1 Expansion Alternatives; 4.5.2 Rules and Classification Accuracy for Vicinity in E1; 4.6 Case Studies for the Expansion E1; 4.7 Discussion; References; 5 GLC Case Studies; 5.1 Case Study 1: Glass Processing with CPC, APC and SPC; 5.2 Case Study 2: Simulated Data with PC and CPC; 5.3 Case Study 3: World Hunger Data; 5.4 Case Study 4: Challenger USA Space Shuttle Disaster with PC and CPC.;2.2 Reversible Paired Coordinates2.2.1 Paired Orthogonal Coordinates; 2.2.2 Paired Coordinates with Non-linear Scaling; 2.2.3 Partially Collocated and Non-orthogonal Collocated Coordinates; 2.2.4 Paired Radial (Star) Coordinates; 2.2.5 Paired Elliptical Coordinates; 2.2.6 Open and Closed Paired Crown Coordinates; 2.2.7 Clutter Suppressing in Paired Coordinates; 2.3 Discussion on Reversible and Non-reversible Visualization Methods; References; 3 Theoretical and Mathematical Basis of GLC; 3.1 Graphs in General Line Coordinates; 3.2 Steps and Properties of Graph Construction Algorithms.;4.1 Decreasing Occlusion by Shifting and Disconnecting Radial Coordinates4.2 Simplifying Patterns by Relocating and Scaling Parallel Coordinates; 4.2.1 Shifting and Tilting Parallel Coordinates; 4.2.2 Shifting and Reordering of Parallel Coordinates; 4.3 Simplifying Patterns and Decreasing Occlusion by Relocating, Reordering, and Negating Shifted Paired Coordinates; 4.3.1 Negating Shifted Paired Coordinates for Removing Crossings; 4.3.2 Relocating Shifted Paired Coordinates for Making the Straight Horizontal Lines; 4.3.3 Relocating Shifted Paired Coordinates for Making a Single 2-D Point.

فهرست مطالب

Front Matter ....Pages i-xxi
 Motivation, Problems and Approach  (Boris Kovalerchuk)....Pages 1-14
 General Line Coordinates (GLC)  (Boris Kovalerchuk)....Pages 15-47
 Theoretical and Mathematical Basis of GLC  (Boris Kovalerchuk)....Pages 49-76
 Adjustable GLCs for Decreasing Occlusion and Pattern Simplification  (Boris Kovalerchuk)....Pages 77-99
 GLC Case Studies  (Boris Kovalerchuk)....Pages 101-140
 Discovering Visual Features and Shape Perception Capabilities in GLC  (Boris Kovalerchuk)....Pages 141-171
 Interactive Visual Classification, Clustering and Dimension Reduction with GLC-L  (Boris Kovalerchuk)....Pages 173-216
 Knowledge Discovery and Machine Learning for Investment Strategy with CPC  (Boris Kovalerchuk)....Pages 217-248
 Visual Text Mining: Discovery of Incongruity in Humor Modeling  (Boris Kovalerchuk)....Pages 249-263
 Enhancing Evaluation of Machine Learning Algorithms with Visual Means  (Boris Kovalerchuk)....Pages 265-276
 Pareto Front and General Line Coordinates  (Boris Kovalerchuk)....Pages 277-287
 Toward Virtual Data Scientist and Super-Intelligence with Visual Means  (Boris Kovalerchuk)....Pages 289-306
 Comparison and Fusion of Methods and Future Research  (Boris Kovalerchuk)....Pages 307-317

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Makromolekule, 6. Auflage, Band 1: Chemische Struktur und Synthesen

دانلود کتاب Hypnose wirkt!

دانلود کتاب The Major Works of John Cotta: The Short Discovery (1612) and The Trial of Witchcraft (1616)

دانلود کتاب Behavioral Neuroscience of Orexin/Hypocretin

دانلود کتاب Health Care Systems in Canada and Elsewhere