توضیحات
How to reveal, characterize, and exploit the structure in data? Meeting this central
challenge of modern data science requires the development of new mathematical approaches to data analysis, going beyond traditional statistical methods.
Fruitful mathematical methods can originate in geometry, topology, algebra, analysis, stochastics, combinatorics, or indeed virtually any field of mathematics.
Confronting the challenge of structure in data is already leading to productive
new interactions among mathematics, statistics, and computer science, notably in
machine learning. We invite novel contributions (research monographs, advanced
textbooks, and lecture notes) presenting substantial mathematics that is relevant
for data science. Since the methods required to understand data depend on the
source and type of the data, we very much welcome contributions comprising
significant discussions of the problems presented by particular applications. We
also encourage the use of online resources for exercises, software and data sets.
Contributions from all mathematical communities that analyze structures in data
are welcome. Examples of potential topics include optimization, topological data
analysis, compressed sensing, algebraic statistics, information geometry, manifold
learning, tensor decomposition, support vector machines, neural networks, and
many more.
————————————————————–
ترجمه ماشینی :
چگونه می توان ساختار را در داده ها آشکار کرد، مشخص کرد و از آن بهره برداری کرد؟ پاسخگویی به این چالش اصلی علم داده مدرن مستلزم توسعه رویکردهای ریاضی جدید برای تجزیه و تحلیل داده ها است که فراتر از روش های آماری سنتی است. روشهای ریاضی ثمربخش میتوانند در هندسه، توپولوژی، جبر، تجزیه و تحلیل، استوکاستیک، ترکیبشناسی یا در واقع تقریباً هر زمینهای از ریاضیات سرچشمه بگیرند. مواجهه با چالش ساختار در داده ها در حال حاضر منجر به تعاملات مولد جدید بین ریاضیات، آمار و علوم کامپیوتر، به ویژه در یادگیری ماشین شده است. ما از مشارکتهای جدید (تک نگاریهای پژوهشی، کتابهای درسی پیشرفته و یادداشتهای سخنرانی) دعوت میکنیم که ریاضیات قابلتوجهی را که برای علم داده مرتبط است، ارائه کنند. از آنجایی که روشهای مورد نیاز برای درک دادهها به منبع و نوع دادهها بستگی دارد، ما از مشارکتهایی که شامل بحثهای مهم درباره مشکلات ارائهشده توسط برنامههای کاربردی خاص است بسیار استقبال میکنیم. ما همچنین استفاده از منابع آنلاین برای تمرین ها، نرم افزارها و مجموعه داده ها را تشویق می کنیم. مشارکت از همه جوامع ریاضی که ساختارها را در داده ها تجزیه و تحلیل می کنند استقبال می شود. نمونههایی از موضوعات بالقوه عبارتند از بهینهسازی، دادههای توپولوژیکی تجزیه و تحلیل، سنجش فشرده، آمار جبری، هندسه اطلاعات، یادگیری چندگانه، تجزیه تانسور، ماشینهای بردار پشتیبان، شبکههای عصبی و بسیاری موارد دیگر.
tag : دانلود کتاب مبانی جبری برای توپولوژی کاربردی و تجزیه و تحلیل داده ها , Download مبانی جبری برای توپولوژی کاربردی و تجزیه و تحلیل داده ها , دانلود مبانی جبری برای توپولوژی کاربردی و تجزیه و تحلیل داده ها , Download Algebraic Foundations for Applied Topology and Data Analysis Book , مبانی جبری برای توپولوژی کاربردی و تجزیه و تحلیل داده ها دانلود , buy مبانی جبری برای توپولوژی کاربردی و تجزیه و تحلیل داده ها , خرید کتاب مبانی جبری برای توپولوژی کاربردی و تجزیه و تحلیل داده ها , دانلود کتاب Algebraic Foundations for Applied Topology and Data Analysis , کتاب Algebraic Foundations for Applied Topology and Data Analysis , دانلود Algebraic Foundations for Applied Topology and Data Analysis , خرید Algebraic Foundations for Applied Topology and Data Analysis , خرید کتاب Algebraic Foundations for Applied Topology and Data Analysis ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.