دانلود کتاب Core Data Analysis: Summarization, Correlation, and Visualization – تجزیه و تحلیل داده های اصلی: خلاصه سازی، همبستگی و تجسم

توضیحات

This text examines the goals of data analysis with respect to enhancing knowledge, and identifies data summarization and correlation analysis as the core issues. Data summarization, both quantitative and categorical, is treated within the encoder-decoder paradigm bringing forward a number of mathematically supported insights into the methods and relations between them. Two Chapters describe methods for categorical summarization: partitioning, divisive clustering and separate cluster finding and another explain the methods for quantitative summarization, Principal Component Analysis and PageRank.

Features:

An in-depth presentation of K-means partitioning including a corresponding Pythagorean decomposition of the data scatter.

Advice regarding such issues as clustering of categorical and mixed scale data, similarity and network data, interpretation aids, anomalous clusters, the number of clusters, etc.

Thorough attention to data-driven modelling including a number of mathematically stated relations between statistical and geometrical concepts including those between goodness-of-fit criteria for decision trees and data standardization, similarity and consensus clustering, modularity clustering and uniform partitioning.

New edition highlights:

Inclusion of ranking issues such as Google PageRank, linear stratification and tied rankings median, consensus clustering, semi-average clustering, one-cluster clustering

Restructured to make the logics more straightforward and sections self-contained

Core Data Analysis: Summarization, Correlation and Visualization is aimed at those who are eager to participate in developing the field as well as appealing to novices and practitioners.

————————————————————–

ترجمه ماشینی :

این متن به بررسی اهداف تجزیه و تحلیل داده ها با توجه به افزایش دانش می پردازد و خلاصه سازی داده ها و تجزیه و تحلیل همبستگی را به عنوان موضوعات اصلی شناسایی می کند. خلاصه‌سازی داده‌ها، هم به صورت کمی و هم مقوله‌ای، در پارادایم رمزگذار-رمزگشا انجام می‌شود که تعدادی بینش ریاضی را در مورد روش‌ها و روابط بین آنها ارائه می‌کند. دو فصل روش‌هایی را برای خلاصه‌سازی طبقه‌بندی توصیف می‌کنند: تقسیم‌بندی، خوشه‌بندی تقسیم‌بندی و خوشه‌یابی جداگانه و دیگری روش‌های خلاصه‌سازی کمی، تجزیه و تحلیل مؤلفه اصلی و رتبه صفحه را توضیح می‌دهد.

ویژگی ها:

ارائه عمیق پارتیشن بندی K-means شامل تجزیه فیثاغورثی مربوط به پراکندگی داده ها.

مشاوره در مورد موضوعاتی مانند خوشه بندی داده های مقوله ای و مختلط، شباهت و داده های شبکه، کمک های تفسیری، خوشه های غیرعادی، تعداد خوشه ها و غیره.

توجه کامل به داده ها- مدل‌سازی مبتنی بر تعدادی از روابط ریاضی بیان شده بین مفاهیم آماری و هندسی از جمله روابط بین معیارهای مناسب برای درخت‌های تصمیم‌گیری و استانداردسازی داده‌ها، خوشه‌بندی شباهت و اجماع، خوشه‌بندی مدولاریته و تقسیم‌بندی یکنواخت.

نسخه جدید. نکات برجسته:

گنجاندن موضوعات رتبه‌بندی مانند رتبه صفحه Google، طبقه‌بندی خطی و رتبه‌بندی میانه، خوشه‌بندی اجماع، خوشه‌بندی نیمه متوسط، خوشه‌بندی یک خوشه‌ای

بازسازی ساختار برای ایجاد منطق بیشتر ساده و بخش‌های مستقل

تجزیه و تحلیل داده‌های اصلی: خلاصه‌سازی، همبست