توضیحات
Research on the problem of clustering tends to be fragmented across the pattern recognition, database, data mining, and machine learning communities. Addressing this problem in a unified way, Data Clustering: Algorithms and Applications provides complete coverage of the entire area of clustering, from basic methods to more refined and complex data clustering approaches. It pays special attention to recent issues in graphs, social networks, and other domains. The book focuses on three primary aspects of data clustering: Methods, describing key techniques commonly used for clustering, such as feature selection, agglomerative clustering, partitional clustering, density-based clustering, probabilistic clustering, grid-based clustering, spectral clustering, and nonnegative matrix factorization Domains, covering methods used for different domains of data, such as categorical data, text data, multimedia data, graph data, biological data, stream data, uncertain data, time series clustering, high-dimensional clustering, and big data Variations and Insights, discussing important variations of the clustering process, such as semisupervised clustering, interactive clustering, multiview clustering, cluster ensembles, and cluster validation In this book, top researchers from around the world explore the characteristics of clustering problems in a variety of application areas. They also explain how to glean detailed insight from the clustering process–including how to verify the quality of the underlying clusters–through supervision, human intervention, or the automated generation of alternative clusters.
————————————————————–
ترجمه ماشینی :
تحقیقات در مورد مشکل خوشهبندی در جوامع تشخیص الگو، پایگاه داده، داده کاوی و یادگیری ماشین تکه تکه میشود. با پرداختن به این مشکل به روشی یکپارچه، خوشهبندی دادهها: الگوریتمها و برنامهها پوشش کاملی از کل منطقه خوشهبندی، از روشهای اساسی تا رویکردهای خوشهبندی دادههای دقیقتر و پیچیدهتر را فراهم میکند. توجه ویژه ای به مسائل اخیر در نمودارها، شبکه های اجتماعی و سایر حوزه ها دارد. این کتاب بر سه جنبه اصلی خوشهبندی دادهها تمرکز دارد: روشها، توصیف تکنیکهای کلیدی که معمولاً برای خوشهبندی استفاده میشود، مانند انتخاب ویژگی، خوشهبندی تجمعی، خوشهبندی پارتیشن، خوشهبندی مبتنی بر چگالی، خوشهبندی احتمالی، خوشهبندی مبتنی بر شبکه، خوشهبندی غیرطبیعی و دستهبندی طیفی. فاکتورسازی ماتریس دامنه ها، پوشش روش های مورد استفاده برای حوزه های مختلف داده، مانند داده های طبقه بندی، داده های متنی، داده های چند رسانه ای، داده های نمودار، داده های بیولوژیکی، داده های جریانی، داده های نامشخص، خوشه بندی سری های زمانی، خوشه بندی با ابعاد بالا، و تغییرات داده های بزرگ و بینش، بحث در مورد تغییرات مهم فرآیند خوشهبندی، مانند خوشهبندی نیمهنظارتشده، خوشهبندی تعاملی، خوشهبندی چند نمایه، مجموعههای خوشهای، و اعتبارسنجی خوشهای در این کتاب، محققان برتر از سراسر جهان ویژگیهای مشکلات خوشهبندی را در حوزههای کاربردی مختلف بررسی میکنند. آنها همچنین توضیح میدهند که چگونه میتوان بینش دقیقی از فرآیند خوشهبندی – از جمله چگونگی تأیید کیفیت خوشههای زیربنایی – از طریق نظارت، مداخله انسانی یا تولید خودکار خوشههای جایگزین به دست آورد.
tag : دانلود کتاب خوشه بندی داده ها , Download خوشه بندی داده ها , دانلود خوشه بندی داده ها , Download Data Clustering Book , خوشه بندی داده ها دانلود , buy خوشه بندی داده ها , خرید کتاب خوشه بندی داده ها , دانلود کتاب Data Clustering , کتاب Data Clustering , دانلود Data Clustering , خرید Data Clustering , خرید کتاب Data Clustering ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.