دانلود کتاب Data Analysis with Neuro-Fuzzy Methods
49,000 تومان
تجزیه و تحلیل داده ها با روش های عصبی فازی
| موضوع اصلی | سازمان و پردازش داده ها |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| تعداد صفحه | 163 |
| حجم فایل | 3 مگابایت |
| نویسنده | Nauck D. |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2000 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
ترجمه فارسی توضیحات (ترجمه ماشینی)
تجزیه و تحلیل داده ها با روش های عصبی فازی
در این پایان نامه روش های عصبی فازی برای تجزیه و تحلیل داده ها مورد بحث قرار گرفته است. ما تجزیه و تحلیل داده ها را فرآیندی می دانیم که تا حدودی اکتشافی است. اگر قرار است یک مدل فازی در فرآیند تجزیه و تحلیل داده ها ایجاد شود، وجود الگوریتم های یادگیری در دسترس که از این ماهیت اکتشافی پشتیبانی می کند، مهم است. این پایان نامه به طور سیستماتیک چنین الگوریتم های یادگیری را ارائه می دهد که می تواند برای ایجاد سیستم های فازی از داده ها استفاده شود. الگوریتم ها به ویژه برای توانایی آنها در تولید سیستم های فازی قابل تفسیر طراحی شده اند. مهم است که در حین یادگیری مزایای اصلی یک سیستم فازی – سادگی و تفسیرپذیری آن – از بین نرود. الگوریتم ها به گونه ای ارائه شده اند که به راحتی می توان از آنها برای پیاده سازی استفاده کرد. به عنوان نمونه ای برای تحلیل داده های عصبی-فازو، طبقه بندی svstem NEFCLASS مورد بحث قرار گرفته است.
Data Analysis with Neuro-Fuzzy Methods
Ill this thesis neuro-fuzzy methods for data analysis are discussed. We consider data analysis as a process that is exploratory to some extent. If a fuzzy model is to be created in a data analysis process it is important to have learning algorithms available that support this exploratory nature. This thesis systematically presents such learning algorithms, which can be used to create fuzzy systems from data. The algorithms are especially designed for their capability to produce interpretable fuzzy systems. It is important that during learning the main advantages of a fuzzy system – its simplicity and interpretability – do not get lost. The algorithms are presented in such a way that they can readily be used for implementations. As an example for neuro-fuzzv data analvsis the classification svstem NEFCLASS is discussed.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.