* Affiliatelinks/Werbelinks
Links auf reinlesen.de sind sogenannte Affiliate-Links. Wenn du auf so einen Affiliate-Link klickst und über diesen Link einkaufst, bekommt reinlesen.de von dem betreffenden Online-Shop oder Anbieter eine Provision. Für dich verändert sich der Preis nicht.
Advances in Data Clustering
Joseph Constantin (Hrsg.), Fadi Dornaika (Hrsg.), Vinh Truong Hoang (Hrsg.), Denis Hamad (Hrsg.)
* Affiliatelinks/Werbelinks
Links auf reinlesen.de sind sogenannte Affiliate-Links. Wenn du auf so einen Affiliate-Link klickst und über diesen Link einkaufst, bekommt reinlesen.de von dem betreffenden Online-Shop oder Anbieter eine Provision. Für dich verändert sich der Preis nicht.
Naturwissenschaften, Medizin, Informatik, Technik / Informatik
Beschreibung
Clustering, a foundational technique in data analytics, finds diverse applications across scientific, technical, and business domains. Within the theme of “Data Clustering,” this book assumes substantial importance due to its indispensable clustering role in various contexts.
As the era of online media facilitates the rapid generation of large datasets, clustering emerges as a pivotal player in data mining and machine learning. At its core, clustering seeks to unveil heterogeneous groups within unlabeled data, representing a crucial unsupervised task in machine learning. The objective is to automatically assign labels to each unlabeled datum with minimal human intervention. Analyzing this data allows for categorization and drawing conclusions applicable across diverse application domains. The challenge with unlabeled data lies in defining a quantifiable goal to guide the model-building process, constituting the central theme of clustering.
This book presents concepts and different methodologies of data clustering. For example, deep clustering of images, semi-supervised deep clustering, deep multi-view clustering, etc. This book can be used as a reference for researchers and postgraduate students in related research background.
Kundenbewertungen
Deep learning, Graph Neural Networks, Unsupervised learning, Data clustering, Nongraph data