توضیحاتی در مورد کتاب Robust data mining
نام کتاب : Robust data mining
عنوان ترجمه شده به فارسی : داده کاوی قوی
سری : Springer briefs in optimization
نویسندگان : Petros Xanthopoulos, Panos M Pardalos, Theodore B Trafalis, et al
ناشر : Springer
سال نشر : 2013
تعداد صفحات : 67
ISBN (شابک) : 9781441998774 , 1441998780
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 4 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
عدم قطعیت داده مفهومی است که با اکثر برنامه های کاربردی واقعی مرتبط است که شامل جمع آوری و تفسیر داده ها می شود. نمونه هایی را می توان در داده های به دست آمده با ابزارهای زیست پزشکی یا سایر تکنیک های تجربی یافت. هدف ادغام بهینه سازی قوی در تکنیک های داده کاوی موجود ایجاد الگوریتم های جدید مقاوم در برابر خطا و نویز است.
این کار تمام آخرین کاربردهای بهینه سازی قوی در داده کاوی را در بر می گیرد. این مختصر شامل مروری بر زمینه به سرعت در حال رشد حوزه تحقیقاتی داده کاوی قوی است و شناخته شده ترین الگوریتم های یادگیری ماشینی، فرمولاسیون های همتای قوی آنها و الگوریتم هایی برای حمله به این مشکلات را ارائه می دهد.
این خلاصه برای نظریه پردازان و داده کاویانی که در این زمینه کار می کنند جذاب خواهد بود.
1. معرفی
2. مشکلات حداقل مربعات
3. تجزیه و تحلیل اجزای اصلی
4. تحلیل تشخیصی خطی
5. ماشین های بردار پشتیبانی
6. نتیجه گیری
توضیحاتی در مورد کتاب به زبان اصلی :
Data uncertainty is a concept closely related with most real life applications that involve data collection and interpretation. Examples can be found in data acquired with biomedical instruments or other experimental techniques. Integration of robust optimization in the existing data mining techniques aim to create new algorithms resilient to error and noise.
This work encapsulates all the latest applications of robust optimization in data mining. This brief contains an overview of the rapidly growing field of robust data mining research field and presents the most well known machine learning algorithms, their robust counterpart formulations and algorithms for attacking these problems.
This brief will appeal to theoreticians and data miners working in this field.
1. Introduction
2. Least Squares Problems
3. Principal Component Analysis
4. Linear Discriminant Analysis
5. Support Vector Machines
6. Conclusion