Tekijä: Matthias Dehmer; Frank Emmert-Streib Kustantaja: Taylor & Francis Inc (2014) Saatavuus: | Arvioimme, että tuote lähetetään meiltä noin 1-3 viikossa
Tekijä: Matthias Dehmer; Frank Emmert-Streib; Stefan Pickl; Andreas Holzinger Kustantaja: Taylor & Francis Inc (2016) Saatavuus: | Arvioimme, että tuote lähetetään meiltä noin 1-3 viikossa
Tekijä: Matthias Dehmer; Frank Emmert-Streib; Stefan Pickl; Andreas Holzinger Kustantaja: Taylor & Francis Ltd (2020) Saatavuus: | Arvioimme, että tuote lähetetään meiltä noin 1-3 viikossa
Tekijä: Matthias Dehmer; Frank Emmert-Streib; Herbert Jodlbauer Kustantaja: Taylor & Francis Ltd (2020) Saatavuus: | Arvioimme, että tuote lähetetään meiltä noin 1-3 viikossa
Tekijä: Matthias Dehmer; Frank Emmert-Streib Kustantaja: Taylor & Francis Ltd (2019) Saatavuus: | Arvioimme, että tuote lähetetään meiltä noin 1-3 viikossa
Tekijä: Matthias Dehmer; Frank Emmert-Streib Kustantaja: Taylor & Francis Ltd (2020) Saatavuus: | Arvioimme, että tuote lähetetään meiltä noin 1-3 viikossa
Tekijä: Yongtang Shi; Matthias Dehmer; Xueliang Li; Ivan Gutman Kustantaja: Taylor & Francis Ltd (2020) Saatavuus: | Arvioimme, että tuote lähetetään meiltä noin 1-3 viikossa
Tekijä: Zengqiang Chen; Matthias Dehmer; Frank Emmert-Streib; Yongtang Shi Kustantaja: Taylor & Francis Ltd (2020) Saatavuus: | Arvioimme, että tuote lähetetään meiltä noin 1-3 viikossa
Birkhauser Boston Inc Sivumäärä: 486 sivua Asu: Kovakantinen kirja Painos: 2011 Julkaisuvuosi: 2010, 27.10.2010 (lisätietoa) Kieli: Englanti
Because of the increasing complexity and growth of real-world networks, their analysis by using classical graph-theoretic methods is oftentimes a difficult procedure. As a result, there is a strong need to combine graph-theoretic methods with mathematical techniques from other scientific disciplines, such as machine learning and information theory, in order to analyze complex networks more adequately.
Filling a gap in literature, this self-contained book presents theoretical and application-oriented results to structurally explore complex networks. The work focuses not only on classical graph-theoretic methods, but also demonstrates the usefulness of structural graph theory as a tool for solving interdisciplinary problems. Special emphasis is given to methods related to: applications in biology, chemistry, linguistics, and data analysis; graph colorings; graph polynomials; information measures for graphs; metrical properties of graphs; partitions and decompositions; and quantitative graph measures.
Structural Analysis of Complex Networks is suitable for a broad, interdisciplinary readership of researchers, practitioners, and graduate students in discrete mathematics, statistics, computer science, machine learning, artificial intelligence, computational and systems biology, cognitive science, computational linguistics, and mathematical chemistry. The book may be used as a supplementary textbook in graduate-level seminars on structural graph analysis, complex networks, or network-based machine learning methods.