Type(s) de contenu et mode(s) de consultation : Texte noté : électronique

Titre(s) : Data mining. Volume 1, Clustering, association and classification [Texte électronique] : foundations and intelligent paradigms / Dawn E. Holmes and Lakhmi C. Jain (eds.)

Publication : Berlin ; New York : Springer, cop. 2012

Description matérielle : 1 online resource (1 texte électronique (xiv, 331 p.))

Collection : Intelligent systems reference library ; v. 23

Note(s) : Titre de l'écran-titre (visionné le 20 décembre 2011). - Bibliogr
Data mining is one of the most rapidly growing research areas in computer science and statistics. In Volume 1of this three volume series, we have brought together contributions from some of the most prestigious researchers in the fundamental data mining tasks of clustering, association and classification. Each of the chapters is self contained. Theoreticians and applied scientists/ engineers will find this volume valuable. Additionally, it provides a sourcebook for graduate students interested in the current direction of research in these aspects of data mining

Autre(s) auteur(s) : Holmes, Dawn E. (professeur.). Fonction indéterminée  Voir les notices liées en tant qu'auteur
Jain, L. C.. Fonction indéterminée  Voir les notices liées en tant qu'auteur

Autre(s) forme(s) du titre : 
- Autre forme du titre : Clustering, association and classification

Sujet(s) : Ingénierie  Voir les notices liées en tant que sujet
Intelligence artificielle  Voir les notices liées en tant que sujet

Indice(s) Dewey :  006.312 (23e éd.) = Exploration des données (informatique)  Voir les notices liées en tant que sujet ; 006.3 (23e éd.) = Intelligence artificielle et calcul naturel  Voir les notices liées en tant que sujet

Identifiants, prix et caractéristiques : ISBN 9783642231667

Identifiant de la notice  : ark:/12148/cb44702812x

Notice n° :  FRBNF44702812 (notice reprise d'un réservoir extérieur)

Table des matières : Introductory Chapter ; Clustering Analysis in Large Graphs with Rich Attributes ; Temporal Data Mining: Similarity-Profiled Association Pattern ; Bayesian Networks with Imprecise Probabilities: Theory and Application to Classification ; Hierarchical Clustering for Finding Symmetries and Other Patterns in Massive, High Dimensional Datasets ; Randomized Algorithm of Finding the True Number of Clusters Based on Chebychev Polynomial Approximation ; Bregman Bubble Clustering: A Robust Framework for Mining Dense Clusters ; DepMiner: A method and a system for the extraction of significant dependencies ; Integration of Dataset Scans in Processing Sets of Frequent Itemset Queries ; Text Clustering with Named Entities: A Model, Experimentation and Realization ; Regional Association Rule Mining and Scoping from Spatial Data ; Learning from Imbalanced Data: Evaluation Matters.