دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Daniel Lückehe (auth.)
سری: BestMasters
ISBN (شابک) : 9783658107376, 9783658107383
ناشر: Springer Vieweg
سال نشر: 2015
تعداد صفحات: 104
زبان: German
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب بهینه سازی ترکیبی برای کاهش ابعاد: رگرسیون بدون نظارت با نزول گرادیان و الگوریتم های تکاملی: تصویربرداری کامپیوتری، بینایی، تشخیص الگو و گرافیک، تئوری محاسبات، روشهای محاسباتی
در صورت تبدیل فایل کتاب Hybride Optimierung für Dimensionsreduktion: Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب بهینه سازی ترکیبی برای کاهش ابعاد: رگرسیون بدون نظارت با نزول گرادیان و الگوریتم های تکاملی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
در کار دانیل لوکهه، یک فرآیند ترکیبی جدید برای کاهش ابعاد به طور روشمند توسعه یافته، تجزیه و تحلیل و با روش های موجود با استفاده از آزمون های تجربی مقایسه شده است. داده های با ابعاد بالا، که اغلب تحت عنوان "داده های بزرگ" خلاصه می شوند، امروزه در بسیاری از مناطق در دسترس هستند. این شامل، برای مثال، اطلاعات ثبت شده بصری است که در آن الگوها باید شناسایی شوند، برنامه های کاربردی در زمینه پزشکی و داده هایی از حوزه نجوم. کاهش ابعاد می تواند به کسب اطلاعات از مجموعه داده های بزرگ و بسیار پیچیده و توانایی پردازش بهتر آنها کمک کند. به عنوان مثال، داده ها را می توان به یک فضای دو بعدی نگاشت و بنابراین از نظر بصری برای انسان قابل درک باشد.
In der Arbeit von Daniel Lückehe wird ein neues hybrides Verfahren zur Dimensionsreduktion methodisch erarbeitet, analysiert und durch experimentelle Tests mit vorhandenen Methoden verglichen. Hochdimensionale Daten, häufig zusammengefasst unter dem Begriff „Big Data“, liegen heutzutage in vielen Bereichen vor. Darunter fallen beispielsweise visuell erfasste Informationen, in denen Muster erkannt werden sollen, Anwendungen im medizinischen Bereich sowie Daten aus dem Gebiet der Astronomie. Eine Dimensionsreduktion kann dabei helfen, Informationen aus großen, hochkomplexen Datensätzen zu gewinnen und diese besser verarbeiten zu können. So können Daten beispielsweise auf einen zweidimensionalen Raum abgebildet und somit für den Menschen visuell erfassbar werden.
Front Matter....Pages I-VIII
Motivation....Pages 1-10
Unüberwachte Regression....Pages 11-27
Unüberwachte Kernel- Regression....Pages 29-51
Gradientenabstieg....Pages 53-68
Variable Kernel-Funktion....Pages 69-80
Fazit und Ausblick....Pages 81-83
Back Matter....Pages 85-99