دانلود کتاب Understanding Complex Datasets: Data Mining with Matrix Decompositions (Chapman & Hall Crc Data Mining and Knowledge Discovery Series)
49,000 تومان
درک مجموعه داده های پیچیده: داده کاوی با تجزیه ماتریس (سری داده کاوی و کشف دانش Chapman & Hall Crc)
| موضوع اصلی | ریاضیات کاربردی |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| تعداد صفحه | 260 |
| حجم فایل | 6 مگابایت |
| کد کتاب | 1584888326,9781584888321,9781584888338 |
| نوبت چاپ | 1 |
| نویسنده | David Skillicorn |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| 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)
درک مجموعه داده های پیچیده: داده کاوی با تجزیه ماتریس (سری داده کاوی و کشف دانش Chapman & Hall Crc)
در دسترس قرار دادن دانش مبهم در مورد تجزیه ماتریس ها، درک مجموعه داده های پیچیده: داده کاوی با تجزیه ماتریس رایج ترین تجزیه ماتریس ها را مورد بحث قرار می دهد و نشان می دهد که چگونه می توان از آنها برای تجزیه و تحلیل مجموعه داده های بزرگ در طیف وسیعی از حوزه های کاربردی استفاده کرد. بدون نیاز به درک تمام جزئیات ریاضی، این کتاب به شما کمک میکند تا تعیین کنید کدام ماتریس برای مجموعه دادههای شما مناسب است و نتایج به چه معناست. با توضیح اثربخشی ماتریسها به عنوان ابزار تجزیه و تحلیل دادهها، این کتاب توانایی تجزیه ماتریس را برای ارائه تحلیلهای قویتر نشان میدهد و برای تولید داده های تمیزتر از تکنیک های رایج تر. نویسنده پیوندهای عمیق بین تجزیه ماتریس و ساختارهای درون نمودارها را بررسی میکند و الگوریتم رتبه صفحه موتور جستجوی گوگل را به تجزیه ارزش منفرد مرتبط میکند. او همچنین کاهش ابعاد، فیلتر مشارکتی، خوشهبندی و تحلیل طیفی را پوشش میدهد. با ارقام و مثالهای متعدد، این کتاب نشان میدهد که چگونه میتوان از تجزیه ماتریس برای یافتن اسناد در اینترنت، جستجوی ذخایر معدنی عمیق بدون حفاری، کاوش در ساختار پروتئینها، شناسایی ایمیلهای مشکوک یا تماسهای تلفن همراه و موارد دیگر استفاده کرد. تمرکز بر روی مکانیک داده کاوی و برنامه های کاربردی، این منبع به شما کمک می کند مجموعه داده های بزرگ و پیچیده را مدل سازی کنید و ارتباط بین تکنیک های استاندارد داده کاوی و تجزیه ماتریس را بررسی کنید.
Making obscure knowledge about matrix decompositions widely available, Understanding Complex Datasets: Data Mining with Matrix Decompositions discusses the most common matrix decompositions and shows how they can be used to analyze large datasets in a broad range of application areas. Without having to understand every mathematical detail, the book helps you determine which matrix is appropriate for your dataset and what the results mean.Explaining the effectiveness of matrices as data analysis tools, the book illustrates the ability of matrix decompositions to provide more powerful analyses and to produce cleaner data than more mainstream techniques. The author explores the deep connections between matrix decompositions and structures within graphs, relating the PageRank algorithm of Google’s search engine to singular value decomposition. He also covers dimensionality reduction, collaborative filtering, clustering, and spectral analysis. With numerous figures and examples, the book shows how matrix decompositions can be used to find documents on the Internet, look for deeply buried mineral deposits without drilling, explore the structure of proteins, detect suspicious emails or cell phone calls, and more.Concentrating on data mining mechanics and applications, this resource helps you model large, complex datasets and investigate connections between standard data mining techniques and matrix decompositions.

نقد و بررسیها
هنوز بررسیای ثبت نشده است.