دانلود کتاب The structural representation of proximity matrices with MATLAB (به فارسی: نمایش ساختاری ماتریس های مجاورت با متلب) نوشته شده توسط «Lawrence Hubert – Phipps Arabie – Jacqueline Meulman»
اطلاعات کتاب نمایش ساختاری ماتریس های مجاورت با متلب
موضوع اصلی: جبر: جبر خطی
نوع: کتاب الکترونیکی
ناشر: Society for Industrial and Applied Mathematics; American Statistical Association
نویسنده: Lawrence Hubert – Phipps Arabie – Jacqueline Meulman
زبان: English
فرمت کتاب: djvu (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2006
تعداد صفحه: 231
حجم کتاب: 2 مگابایت
کد کتاب: 9780898716078 , 0898716071
توضیحات کتاب نمایش ساختاری ماتریس های مجاورت با متلب
نمایش ساختاری ماتریس های مجاورت با متلب، استفاده از توابع (از طریق فایل های M) را در یک محیط محاسباتی متلب برای تأثیرگذاری انواع نمایش های ساختاری برای اطلاعات مجاورتی که فرض می شود روی مجموعه ای از اشیاء در دسترس هستند، ارائه و نشان می دهد. . بازنمایی های موجود در کتاب عمدتاً در علوم رفتاری و ادبیات آماری کاربردی (به عنوان مثال، در روان سنجی و طبقه بندی) توسعه یافته اند، اگرچه علاقه به این موضوعات اکنون به طور گسترده تری به زمینه هایی مانند بیوانفورماتیک و شیمی سنجی گسترش یافته است.
در سرتاسر کتاب، دو نوع اطلاعات مجاورت تحلیل شده است: یک حالته و دو حالته. داده های مجاورت یک حالته بین اشیاء از یک مجموعه واحد تعریف می شوند و معمولاً به شکل یک ماتریس متقارن مربع ارائه می شوند. داده های مجاورت دو حالته بین اشیاء از دو مجموعه مجزا تعریف می شوند و به شکل یک ماتریس مستطیلی ارائه می شوند. علاوه بر این، معمولاً انعطاف‌پذیری وجود دارد که امکان تطبیق افزودنی ساختارهای متعدد با اطلاعات مجاورت یک یا دو حالته داده شده وجود دارد.
این کتاب به سه بخش اصلی تقسیم شده است که هر بخش بر اساس کلاس کلی بازنمایی های مورد بحث است. بخش اول مقیاس‌بندی یک‌بعدی و چند بعدی خطی و دایره‌ای را با استفاده از متریک بلوک شهر به‌عنوان ابزار اصلی نمایش می‌دهد. بخش دوم خصوصیات‌های مبتنی بر ساختارهای درختی نظری نمودارهای مختلف، به‌ویژه آن‌هایی که به‌عنوان درخت‌های اولترامتری و افزایشی شناخته می‌شوند، را مورد بحث قرار می‌دهد. بخش سوم از نمایش هایی استفاده می کند که صرفاً با ویژگی های نظم تعریف شده اند، به ویژه بر آنچه که فرم های ضد رابینسون (به شدت) نامیده می شوند تأکید می کند.
مخاطبان این کتاب در نظر گرفته شده است تا یک منبع مستند کاربردی برای مجموعه‌ای از فایل‌های M مورد استفاده برای آماردانان کاربردی و تحلیلگران داده، و همچنین بیوانفورماتیک‌ها، شیمی‌سنجی‌ها و روان‌سنجی‌ها ارائه دهد. مهندسان صنایع، روانشناسان کمی، و دانشمندان علوم رفتاری و اجتماعی نیز محتوای این کتاب را مفید خواهند یافت.
Throughout the book, two kinds of proximity information are analyzed: one-mode and two-mode. One-mode proximity data are defined between the objects from a single set and are usually given in the form of a square symmetric matrix; two-mode proximity data are defined between the objects from two distinct sets and are given in the form of a rectangular matrix. In addition, there is typically the flexibility to allow the additive fitting of multiple structures to either the given one- or two-mode proximity information.
This book is divided into three main sections, each based on the general class of representations being discussed. Part I develops linear and circular unidimensional and multidimensional scaling using the city-block metric as the major representational device. Part II discusses characterizations based on various graph-theoretic tree structures, specifically those referred to as ultrametrics and additive trees. Part III uses representations defined solely by order properties, particularly emphasizing what are called (strongly) anti-Robinson forms.
Audience This book is intended to provide an applied documentation source for a collection of M-files of use to applied statisticians and data analysts, as well as bioinformaticians, chemometricians, and psychometricians. Industrial engineers, quantitative psychologists, and behavioral and social scientists will also find the content of this book beneficial.
دانلود کتاب «نمایش ساختاری ماتریس های مجاورت با متلب»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.