Книга “Statistical and Machine Learning Approaches for Network Analysis” авторства Dehmer Matthies предлагает читателям обзор различных подходов к анализу сложных сетей с использованием методов машинного обучения и статистического анализа. В книге собраны главы, написанные признанными исследователями в области междисциплинарной теории сетей, которые предлагают доступное руководство по структурному анализу графов, объединяя известные и новые подходы к классам графов и мерам графов для классификации. Книга предлагает различные подходы на основе экспериментальных данных, что делает ее уникальной среди текущей литературы, исследуя применение методов машинного обучения к различным типам сложных сетей.
Книга включает в себя главы, написанные известными исследователями в этой области, которые предоставляют как современные, так и классические методы статистического анализа сетей. Методы машинного обучения, интеллектуального анализа данных и теории информации подчеркиваются на протяжении всей книги. Реальные наборы данных используются для демонстрации обсуждаемых методов и тем, включая:
Обзор вычислительных подходов к восстановлению и разделению биологических сетей Введение в сложные сети - меры, статистические свойства и модели Моделирование развивающихся биологических сетей Структура развивающегося случайного двудольного графа, основанного на плотности.
This book provides a platform for multidisciplinary graph analysis using machine learning methods. By collecting various approaches for graph representations and measurements, it allows exploration of complex social networks in a unique way. Distinct from other works, this book focuses on the exploitation of machine learning technologies for diverse types of networks and their applications in areas such as protein networks, hashtags, and crime locations. Chapters written by renowned experts emphasize statistical methods, data negotiation, and information processing. Dataset instances cover: methodical approaches to predicting drug interactions neural network modeling archiving historical weather data. Statistical and Machine-learning Approaches for this note analyzes both modern and classical computational processes for complex networks analysis. Graduate students, scientists in other methods, and researchers seeking to expand their knowledge and implement sophisticated computational tools and analyses will find this textbook valuable.
Электронная Книга «Statistical and Machine Learning Approaches for Network Analysis» написана автором Dehmer Matthias в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9781118347010
Описание книги от Dehmer Matthias
Explore the multidisciplinary nature of complex networks through machine learning techniques Statistical and Machine Learning Approaches for Network Analysis provides an accessible framework for structurally analyzing graphs by bringing together known and novel approaches on graph classes and graph measures for classification. By providing different approaches based on experimental data, the book uniquely sets itself apart from the current literature by exploring the application of machine learning techniques to various types of complex networks. Comprised of chapters written by internationally renowned researchers in the field of interdisciplinary network theory, the book presents current and classical methods to analyze networks statistically. Methods from machine learning, data mining, and information theory are strongly emphasized throughout. Real data sets are used to showcase the discussed methods and topics, which include: A survey of computational approaches to reconstruct and partition biological networks An introduction to complex networks—measures, statistical properties, and models Modeling for evolving biological networks The structure of an evolving random bipartite graph Density-based enumeration in structured data Hyponym extraction employing a weighted graph kernel Statistical and Machine Learning Approaches for Network Analysis is an excellent supplemental text for graduate-level, cross-disciplinary courses in applied discrete mathematics, bioinformatics, pattern recognition, and computer science. The book is also a valuable reference for researchers and practitioners in the fields of applied discrete mathematics, machine learning, data mining, and biostatistics.
