دانلود کتاب Mining the Web: Discovering Knowledge from Hypertext Data
49,000 تومان
استخراج وب: کشف دانش از داده های فرامتن
| موضوع اصلی | سایبرنتیک: هوش مصنوعی |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Morgan Kaufmann |
| تعداد صفحه | 364 |
| حجم فایل | 3 مگابایت |
| کد کتاب | 9781558607545,1558607544 |
| نوبت چاپ | 1 |
| نویسنده | Soumen Chakrabarti |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2002 |
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)
استخراج وب: کشف دانش از داده های فرامتن
استخراج وب: کشف دانش از داده های فرامتن اولین کتابی است که به طور کامل به تکنیک هایی برای تولید دانش از مجموعه وسیع داده های وب بدون ساختار اختصاص یافته است. چاکرابارتی بر اساس یک بررسی اولیه از مسائل زیرساختی – از جمله خزیدن وب و نمایه سازی – تکنیک های یادگیری ماشینی سطح پایین را بررسی می کند زیرا آنها به طور خاص با چالش های وب کاوی مرتبط هستند. او سپس بخش پایانی کتاب را به برنامههایی اختصاص میدهد که زیرساخت و تجزیه و تحلیل را با هم متحد میکنند تا یادگیری ماشینی را بر روی دادههای بهدستآمده و ذخیرهشده بهطور سیستماتیک اعمال کند. در اینجا تمرکز بر نتایج است: نقاط قوت و ضعف این برنامه ها، همراه با پتانسیل آنها به عنوان پایه هایی برای پیشرفت بیشتر. خوانندگان منتقد و آیندهنگر از کار پرزحمت چاکرابارتی، درک نظری و عملی لازم را برای مشارکت در تلاش وبکاوی به دست خواهند آورد. * یک کاوش جامع و انتقادی از تلاشهای مبتنی بر آمار برای درک وب کاوی. * چالش های ویژه مرتبط با تجزیه و تحلیل داده های بدون ساختار و نیمه ساختار یافته را به تفصیل بیان می کند. * به چگونگی اصلاح تکنیک های بازیابی اطلاعات کلاسیک برای استفاده با داده های وب می پردازد. * بر روشهای یادگیری غالب امروزی تمرکز میکند: خوشهبندی و طبقهبندی، تجزیه و تحلیل ابرپیوند، و یادگیری تحت نظارت و نیمهنظارت. * برنامه های فعلی را برای کشف منابع و تجزیه و تحلیل شبکه های اجتماعی تجزیه و تحلیل می کند. * راهی عالی برای آشنا کردن دانش آموزان با کاربردهای حیاتی داده کاوی و فناوری یادگیری ماشین.
Mining the Web: Discovering Knowledge from Hypertext Data is the first book devoted entirely to techniques for producing knowledge from the vast body of unstructured Web data. Building on an initial survey of infrastructural issues-including Web crawling and indexing-Chakrabarti examines low-level machine learning techniques as they relate specifically to the challenges of Web mining. He then devotes the final part of the book to applications that unite infrastructure and analysis to bring machine learning to bear on systematically acquired and stored data. Here the focus is on results: the strengths and weaknesses of these applications, along with their potential as foundations for further progress. From Chakrabarti’s work-painstaking, critical, and forward-looking-readers will gain the theoretical and practical understanding they need to contribute to the Web mining effort. * A comprehensive, critical exploration of statistics-based attempts to make sense of Web Mining. * Details the special challenges associated with analyzing unstructured and semi-structured data. * Looks at how classical Information Retrieval techniques have been modified for use with Web data. * Focuses on today’s dominant learning methods: clustering and classification, hyperlink analysis, and supervised and semi-supervised learning. * Analyzes current applications for resource discovery and social network analysis. * An excellent way to introduce students to especially vital applications of data mining and machine learning technology.

نقد و بررسیها
هنوز بررسیای ثبت نشده است.