دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Dawn E. Holmes, Jeffrey Tweedale (auth.), Dawn E. Holmes, Lakhmi C. Jain (eds.) سری: Intelligent Systems Reference Library 23 ISBN (شابک) : 3642231659, 9783642231650 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2012 تعداد صفحات: 350 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب داده کاوی: مبانی و پارادایم های هوشمند: دوره 1: خوشه بندی ، پیوند و طبقه بندی: هوش محاسباتی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Data Mining: Foundations and Intelligent Paradigms: Volume 1: Clustering, Association and Classification 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 داده کاوی: مبانی و پارادایم های هوشمند: دوره 1: خوشه بندی ، پیوند و طبقه بندی 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.
کتابهای بسیار ارزشمندی در مورد تئوری داده کاوی و کاربردها موجود است. با این حال، در گردآوری جلدی با عنوان «داده کاوی: مبانی و پارادایمهای هوشمند: جلد 1: خوشهبندی، ارتباط و طبقهبندی» میخواهیم برخی از آخرین پیشرفتها را به مخاطبان وسیعی از متخصصان و غیرمتخصصان در این زمینه معرفی کنیم. /p>
There are many invaluable books available on data mining theory and applications. However, in compiling a volume titled “DATA MINING: Foundations and Intelligent Paradigms: Volume 1: Clustering, Association and Classification” we wish to introduce some of the latest developments to a broad audience of both specialists and non-specialists in this field.
Front Matter....Pages -
Data Mining Techniques in Clustering, Association and Classification....Pages 1-6
Clustering Analysis in Large Graphs with Rich Attributes....Pages 7-27
Temporal Data Mining: Similarity-Profiled Association Pattern....Pages 29-47
Bayesian Networks with Imprecise Probabilities: Theory and Application to Classification....Pages 49-93
Hierarchical Clustering for Finding Symmetries and Other Patterns in Massive, High Dimensional Datasets....Pages 95-130
Randomized Algorithm of Finding the True Number of Clusters Based on Chebychev Polynomial Approximation....Pages 131-155
Bregman Bubble Clustering: A Robust Framework for Mining Dense Clusters....Pages 157-208
DepMiner: A Method and a System for the Extraction of Significant Dependencies....Pages 209-222
Integration of Dataset Scans in Processing Sets of Frequent Itemset Queries....Pages 223-266
Text Clustering with Named Entities: A Model, Experimentation and Realization....Pages 267-287
Regional Association Rule Mining and Scoping from Spatial Data....Pages 289-313
Learning from Imbalanced Data: Evaluation Matters....Pages 315-331
Back Matter....Pages -