دانلود کتاب Geometric Structure of High-Dimensional Data and Dimensionality Reduction – ساختار هندسی داده های با ابعاد بالا و کاهش ابعاد

دسته بندی :
اطلاعات کتاب
  • جلد
  • سری
  • ویرایش 1
  • سال 2011
  • نویسنده (گان) Prof. Jianzhong Wang (auth.)
  • ناشر Springer-Verlag Berlin Heidelberg
  • زبان English
  • تعداد صفحات
  • حجم فایل 7.75MB
  • فرمت فایل pdf
  • شابک 9783642274961, 9783642274978
قیمت محصول :

45,000 تومان

با خرید این محصول، 2,250 تومان به کیف پول شما بازگشت داده می‌شود

روند خرید و دریافت کتاب‌ها بدون هیچ اختلالی انجام می‌شود.
تمامی فایل‌ها بر روی سرورهای داخلی میزبانی می‌شوند تا بتوانید به راحتی و در لحظه آن‌ها را دانلود کنید. در صورت بروز هرگونه مشکل یا نیاز به راهنمایی، لطفاً از طریق « صفحه تماس باما» با تیم پشتیبانی در ارتباط باشید.

تمامی کتاب های موجود در وبسایت سای وان به زبان انگلیسی میباشد

توضیحات

‘Geometric Structure of High-Dimensional Data and Dimensionality Reduction’ adopts data geometry as a framework to address various methods of dimensionality reduction. In addition to the introduction to well-known linear methods, the book moreover stresses the recently developed nonlinear methods and introduces the applications of dimensionality reduction in many areas, such as face recognition, image segmentation, data classification, data visualization, and hyperspectral imagery data analysis. Numerous tables and graphs are included to illustrate the ideas, effects, and shortcomings of the methods. MATLAB code of all dimensionality reduction algorithms is provided to aid the readers with the implementations on computers.

The book will be useful for mathematicians, statisticians, computer scientists, and data analysts. It is also a valuable handbook for other practitioners who have a basic background in mathematics, statistics and/or computer algorithms, like internet search engine designers, physicists, geologists, electronic engineers, and economists.

Jianzhong Wang is a Professor of Mathematics at Sam Houston State University, U.S.A.

————————————————————–

ترجمه ماشینی :

«ساختار هندسی داده‌های با ابعاد بالا و کاهش ابعاد» هندسه داده را به عنوان چارچوبی برای پرداختن به روش‌های مختلف کاهش ابعاد اتخاذ می‌کند. علاوه بر مقدمه‌ای بر روش‌های خطی معروف، این کتاب علاوه بر این، بر روش‌های غیرخطی اخیراً توسعه‌یافته تأکید می‌کند و کاربردهای کاهش ابعاد را در بسیاری از زمینه‌ها، مانند تشخیص چهره، تقسیم‌بندی تصویر، طبقه‌بندی داده‌ها، تجسم داده‌ها، و داده‌های تصویر ابرطیفی معرفی می‌کند. تحلیل و بررسی. جداول و نمودارهای متعددی برای نشان دادن ایده ها، اثرات و کاستی های روش ها گنجانده شده است. کد متلب همه الگوریتم‌های کاهش ابعاد برای کمک به خوانندگان در پیاده‌سازی بر روی کامپیوتر ارائه شده است.

این کتاب برای ریاضیدانان، آماردانان، دانشمندان کامپیوتر و تحلیلگران داده مفید خواهد بود. همچنین این کتاب راهنمای ارزشمندی برای سایر پزشکانی است که دارای پیشینه پایه در ریاضیات، آمار و/یا الگوریتم های کامپیوتری هستند، مانند طراحان موتورهای جستجوی اینترنتی، فیزیکدانان، زمین شناسان، مهندسان الکترونیک و اقتصاددانان.

Jianzhong Wang است. استاد ریاضیات در دانشگاه ایالتی سام هیوستون، ایالات متحده


 

tag : دانلود کتاب ساختار هندسی داده های با ابعاد بالا و کاهش ابعاد , Download ساختار هندسی داده های با ابعاد بالا و کاهش ابعاد , دانلود ساختار هندسی داده های با ابعاد بالا و کاهش ابعاد , Download Geometric Structure of High-Dimensional Data and Dimensionality Reduction Book , ساختار هندسی داده های با ابعاد بالا و کاهش ابعاد دانلود , buy ساختار هندسی داده های با ابعاد بالا و کاهش ابعاد , خرید کتاب ساختار هندسی داده های با ابعاد بالا و کاهش ابعاد , دانلود کتاب Geometric Structure of High-Dimensional Data and Dimensionality Reduction , کتاب Geometric Structure of High-Dimensional Data and Dimensionality Reduction , دانلود Geometric Structure of High-Dimensional Data and Dimensionality Reduction , خرید Geometric Structure of High-Dimensional Data and Dimensionality Reduction , خرید کتاب Geometric Structure of High-Dimensional Data and Dimensionality Reduction ,

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “دانلود کتاب Geometric Structure of High-Dimensional Data and Dimensionality Reduction – ساختار هندسی داده های با ابعاد بالا و کاهش ابعاد”