دانلود کتاب Matrix methods in data mining and pattern recognition
49,000 تومان
روش های ماتریسی در داده کاوی و تشخیص الگو
| موضوع اصلی | جبر: جبر خطی |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Society for Industrial and Applied Mathematics |
| تعداد صفحه | 234 |
| حجم فایل | 996 کیلوبایت |
| کد کتاب | 0898716268,9780898716269 |
| نویسنده | Lars Eldén |
|---|---|
| زبان | انگلیسی |
| فرمت | DJVU |
| سال انتشار | 2007 |
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)
روش های ماتریسی در داده کاوی و تشخیص الگو
چندین تکنیک بسیار قدرتمند جبر خطی عددی برای حل مسائل در داده کاوی و تشخیص الگو موجود است. این کتاب کاربردی گرا توضیح می دهد که چگونه می توان از روش های مدرن ماتریس برای حل این مسائل استفاده کرد، مقدمه ای بر نظریه ماتریس و تجزیه ارائه می دهد و مجموعه ای از ابزارها را برای دانش آموزان ارائه می دهد که می توانند برای یک کاربرد خاص اصلاح شوند. روش های ماتریسی در داده کاوی و تشخیص الگو به سه بخش تقسیم می شود. قسمت اول مقدمه کوتاهی بر چند حوزه کاربردی قبل از ارائه مفاهیم جبر خطی و تجزیه ماتریس است که دانش آموزان می توانند در محیط های حل مسئله مانند MATLAB® استفاده کنند. برخی از براهین ریاضی که بر وجود و ویژگیهای تجزیه ماتریس تأکید دارند گنجانده شدهاند. در بخش دوم، تکنیک های جبر خطی برای مسائل داده کاوی اعمال می شود. بخش سوم، مقدمهای کوتاه بر الگوریتمهای ارزش ویژه و مقادیر تکین است. برنامه های کاربردی مورد بحث نویسنده عبارتند از: طبقه بندی ارقام دست نویس، متن کاوی، خلاصه سازی متن، محاسبات رتبه صفحه مربوط به موتور جستجوی Googleâ، و تشخیص چهره. تمرینات و تکالیف کامپیوتری در یک صفحه وب که مکمل کتاب است موجود است. مخاطبین این کتاب برای دانشجویان مقطع کارشناسی که قبلاً دوره مقدماتی محاسبات علمی/تحلیل عددی را گذرانده اند در نظر گرفته شده است. دانشجویان فارغ التحصیل در زمینه های مختلف داده کاوی و تشخیص الگو که نیاز به مقدمه ای با تکنیک های جبر خطی دارند نیز این کتاب را مفید خواهند یافت. مطالب مقدمه; بخش اول: مفاهیم جبر خطی و تجزیه ماتریس. فصل 1: بردارها و ماتریس ها در داده کاوی و تشخیص الگو. فصل 2: بردارها و ماتریس ها. فصل 3: سیستم های خطی و حداقل مربعات. فصل چهارم: متعامد بودن; فصل 5: تجزیه QR. فصل 6: تجزیه ارزش مفرد. فصل 7: مدل های حداقل مربعات با رتبه کاهش یافته. فصل 8: تجزیه تانسور. فصل 9: خوشهبندی و عاملسازی ماتریس غیرمنفی. پ
Several very powerful numerical linear algebra techniques are available for solving problems in data mining and pattern recognition. This application-oriented book describes how modern matrix methods can be used to solve these problems, gives an introduction to matrix theory and decompositions, and provides students with a set of tools that can be modified for a particular application. Matrix Methods in Data Mining and Pattern Recognition is divided into three parts. Part I gives a short introduction to a few application areas before presenting linear algebra concepts and matrix decompositions that students can use in problem-solving environments such as MATLAB®. Some mathematical proofs that emphasize the existence and properties of the matrix decompositions are included. In Part II, linear algebra techniques are applied to data mining problems. Part III is a brief introduction to eigenvalue and singular value algorithms. The applications discussed by the author are: classification of handwritten digits, text mining, text summarization, pagerank computations related to the GoogleÔ search engine, and face recognition. Exercises and computer assignments are available on a Web page that supplements the book. Audience The book is intended for undergraduate students who have previously taken an introductory scientific computing/numerical analysis course. Graduate students in various data mining and pattern recognition areas who need an introduction to linear algebra techniques will also find the book useful. Contents Preface; Part I: Linear Algebra Concepts and Matrix Decompositions. Chapter 1: Vectors and Matrices in Data Mining and Pattern Recognition; Chapter 2: Vectors and Matrices; Chapter 3: Linear Systems and Least Squares; Chapter 4: Orthogonality; Chapter 5: QR Decomposition; Chapter 6: Singular Value Decomposition; Chapter 7: Reduced-Rank Least Squares Models; Chapter 8: Tensor Decomposition; Chapter 9: Clustering and Nonnegative Matrix Factorization; P
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.