دانلود کتاب Visual Knowledge Discovery and Machine Learning – کشف دانش بصری و یادگیری ماشینی

توضیحات

3.3 Fixed Single Point Approach3.3.1 Single Point Algorithm; 3.3.2 Statements Based on Single Point Algorithm; 3.3.3 Generalization of a Fixed Point to GLC; 3.4 Theoretical Limits to Preserve n-D Distances in 2-D: Johnson-Lindenstrauss Lemma; 3.5 Visual Representation of n-D Relations in GLC; 3.5.1 Hyper-cubes and Clustering in CPC; 3.5.2 Comparison of Linear Dependencies in PC, CPC and SPC; 3.5.3 Visualization of n-D Linear Functions and Operators in CPC, SPC and PC; References; 4 Adjustable GLCs for Decreasing Occlusion and Pattern Simplification.;This book combines the advantages of high-dimensional data visualization and machine learning in the context of identifying complex n-D data patterns. It vastly expands the class of reversible lossless 2-D and 3-D visualization methods, which preserve the n-D information. This class of visual representations, called the General Lines Coordinates (GLCs), is accompanied by a set of algorithms for n-D data classification, clustering, dimension reduction, and Pareto optimization. The mathematical and theoretical analyses and methodology of GLC are included, and the usefulness of this new approach is demonstrated in multiple case studies. These include the Challenger disaster, world hunger data, health monitoring, image processing, text classification, market forecasts for a currency exchange rate, computer-aided medical diagnostics, and others. As such, the book offers a unique resource for students, researchers, and practitioners in the emerging field of Data Science.;Intro; Preface; Acknowledgements; Contents; List of Abbreviations; Abstract; 1 Motivation, Problems and Approach; 1.1 Motivation; 1.2 Visualization: From n-D Points to 2-D Points; 1.3 Visualization: From n-D Points to 2-D Structures; 1.4 Analysis of Alternatives; 1.5 Approach; References; 2 General Line Coordinates (GLC); 2.1 Reversible General Line Coordinates; 2.1.1 Generalization of Parallel and Radial Coordinates; 2.1.2 n-Gon and Circular Coordinates; 2.1.3 Types of GLC in 2-D and 3-D; 2.1.4 In-Line Coordinates; 2.1.5 Dynamic Coordinates; 2.1.6 Bush and Parallel Coordinates with Shifts.;4.4 Simplifying Patterns by Relocating and Scaling Circular and n-Gon Coordinates4.5 Decreasing Occlusion with the Expanding and Shrinking Datasets; 4.5.1 Expansion Alternatives; 4.5.2 Rules and Classification Accuracy for Vicinity in E1; 4.6 Case Studies for the Expansion E1; 4.7 Discussion; References; 5 GLC Case Studies; 5.1 Case Study 1: Glass Processing with CPC, APC and SPC; 5.2 Case Study 2: Simulated Data with PC and CPC; 5.3 Case Study 3: World Hunger Data; 5.4 Case Study 4: Challenger USA Space Shuttle Disaster with PC and CPC.;2.2 Reversible Paired Coordinates2.2.1 Paired Orthogonal Coordinates; 2.2.2 Paired Coordinates with Non-linear Scaling; 2.2.3 Partially Collocated and Non-orthogonal Collocated Coordinates; 2.2.4 Paired Radial (Star) Coordinates; 2.2.5 Paired Elliptical Coordinates; 2.2.6 Open and Closed Paired Crown Coordinates; 2.2.7 Clutter Suppressing in Paired Coordinates; 2.3 Discussion on Reversible and Non-reversible Visualization Methods; References; 3 Theoretical and Mathematical Basis of GLC; 3.1 Graphs in General Line Coordinates; 3.2 Steps and Properties of Graph Construction Algorithms.;4.1 Decreasing Occlusion by Shifting and Disconnecting Radial Coordinates4.2 Simplifying Patterns by Relocating and Scaling Parallel Coordinates; 4.2.1 Shifting and Tilting Parallel Coordinates; 4.2.2 Shifting and Reordering of Parallel Coordinates; 4.3 Simplifying Patterns and Decreasing Occlusion by Relocating, Reordering, and Negating Shifted Paired Coordinates; 4.3.1 Negating Shifted Paired Coordinates for Removing Crossings; 4.3.2 Relocating Shifted Paired Coordinates for Making the Straight Horizontal Lines; 4.3.3 Relocating Shifted Paired Coordinates for Making a Single 2-D Point.

————————————————————–

ترجمه ماشینی :

3.3 Fixed Single Point Approach3.3.1 Single Point Algorithm; 3.3.2 بیانیه های مبتنی بر الگوریتم تک نقطه ای. 3.3.3 تعمیم یک نقطه ثابت به GLC. 3.4 محدودیت‌های نظری برای حفظ فاصله‌های nD در دو بعدی: لمای جانسون-لیندنشتراوس. 3.5 نمایش بصری روابط nD در GLC. 3.5.1 هایپر مکعب ها و خوشه بندی در CPC. 3.5.2 مقایسه وابستگی های خطی در PC، CPC و SPC. 3.5.3 تجسم توابع و عملگرهای خطی nD در CPC، SPC و PC. منابع؛ 4 GLC قابل تنظیم برای کاهش انسداد و ساده سازی الگو.؛ این کتاب مزایای تجسم داده های با ابعاد بالا و یادگیری ماشین را در زمینه شناسایی الگوهای پیچیده داده nD ترکیب می کند. کلاس روش‌های تجسم دوبعدی و سه بعدی بدون تلفات برگشت‌پذیر را که اطلاعات nD را حفظ می‌کنند، بسیار گسترش می‌دهد. این دسته از نمایش‌های بصری که مختصات خطوط عمومی (GLCs) نامیده می‌شود، با مجموعه‌ای از الگوریتم‌ها برای طبقه‌بندی داده‌های nD، خوشه‌بندی، کاهش ابعاد و بهینه‌سازی پارتو همراه است. تجزیه و تحلیل های ریاضی و نظری و روش شناسی GLC گنجانده شده است، و سودمندی این رویکرد جدید در مطالعات موردی متعدد نشان داده شده است. اینها شامل فاجعه چلنجر، داده‌های گرسنگی جهان، نظارت بر سلامت، پردازش تصویر، طبقه‌بندی متن، پیش‌بینی بازار برای نرخ ارز، تشخیص‌های پزشکی به کمک رایانه و موارد دیگر است. به این ترتیب، این کتاب یک منبع منحصر به فرد برای دانشجویان، محققان، و شاغلان در زمینه نوظهور علوم داده ارائه می دهد. پیشگفتار؛ سپاسگزاریها؛ فهرست؛ فهرست اختصارات؛ خلاصه؛ 1 انگیزه، مشکلات و رویکرد. 1.1 انگیزه; 1.2 تجسم: از nD Points تا 2-D Points. 1.3 تجسم: از nD Points تا 2-D Structures. 1.4 تجزیه و تحلیل گزینه های جایگزین. 1.5 رویکرد; منابع؛ 2 مختصات خط عمومی (GLC)؛ 2.1 مختصات خط عمومی برگشت پذیر. 2.1.1 تعمیم مختصات موازی و شعاعی. 2.1.2 n-Gon و مختصات دایره ای. 2.1.3 انواع GLC در 2-D و 3-D. 2.1.4 مختصات درون خطی. 2.1.5 مختصات پویا. 2.1.6 مختصات بوش و موازی با شیفت. 4.4 ساده سازی الگوها با جابجایی و مقیاس گذاری مختصات دایره ای و n-Gon 4.5 کاهش انسداد با مجموعه داده های در حال گسترش و کوچک شدن. 4.5.1 جایگزین های گسترش. 4.5.2 قوانین و دقت طبقه بندی برای مجاورت در E1. 4.6 مطالعات موردی برای توسعه E1; 4.7 بحث; منابع؛ 5 مطالعات موردی GLC; 5.1 مطالعه موردی 1: پردازش شیشه با CPC، APC و SPC. 5.2 مطالعه موردی 2: داده های شبیه سازی شده با PC و CPC. 5.3 مطالعه موردی 3: داده های گرسنگی جهان. 5.4 مطالعه موردی 4: فاجعه شاتل فضایی Challenger USA با PC و CPC. 2.2 مختصات جفت شده برگشت پذیر2.2.1 مختصات متعامد جفت شده. 2.2.2 مختصات جفت شده با مقیاس غیر خطی. 2.2.3 مختصات به هم پیوسته و غیر متعامد. 2.2.4 مختصات شعاعی (ستاره ای) زوجی. 2.2.5 مختصات بیضی جفتی. 2.2.6 مختصات تاج جفتی باز و بسته. 2.2.7 سرکوب بهم ریختگی در مختصات زوجی. 2.3 بحث در مورد روشهای تجسم برگشت پذیر و غیر قابل برگشت. منابع؛ 3 مبانی نظری و ریاضی GLC; 3.1 نمودارها در مختصات خط عمومی. 3.2 مراحل و ویژگی های الگوریتم های ساخت گراف. 4.1 کاهش انسداد با جابجایی و قطع کردن مختصات شعاعی 4.2 ساده سازی الگوها با تغییر مکان و مقیاس گذاری مختصات موازی. 4.2.1 تغییر و کج کردن مختصات موازی. 4.2.2 تغییر و ترتیب مجدد مختصات موازی. 4.3 ساده سازی الگوها و کاهش انسداد با جابجایی، مرتب سازی مجدد، و نفی مختصات جفت جابجا شده. 4.3.1 نفی مختصات جفت شده جابجا شده برای حذف گذرگاه ها. 4.3.2 جابجایی مختصات زوجی جابجا شده برای ایجاد خطوط افقی مستقیم. 4.3.3 جابجایی مختصات زوجی جابجا شده برای ایجاد یک نقطه 2 بعدی.

tag : دانلود کتاب کشف دانش بصری و یادگیری ماشینی , Download کشف دانش بصری و یادگیری ماشینی , دانلود کشف دانش بصری و یادگیری ماشینی , Download Visual Knowledge Discovery and Machine Learning Book , کشف دانش بصری و یادگیری ماشینی دانلود , buy کشف دانش بصری و یادگیری ماشینی , خرید کتاب کشف دانش بصری و یادگیری ماشینی , دانلود کتاب Visual Knowledge Discovery and Machine Learning , کتاب Visual Knowledge Discovery and Machine Learning , دانلود Visual Knowledge Discovery and Machine Learning , خرید Visual Knowledge Discovery and Machine Learning , خرید کتاب Visual Knowledge Discovery and Machine Learning ,