8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 21.13 руб.

Анализ больших данных и алгоритм: [NORI] Lajidra & Middot; Rajndra Akerkar [India] Pini Teri & Middot;

Цена: 972руб.    (¥46)
Артикул: 605512338609

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:雅鱼瑞德图书专营店
Адрес:Сычуань
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥1132 388руб.
¥10212руб.
¥64.71 368руб.
¥23.1489руб.
  • Информация о товаре
  • Фотографии

Анализ больших данных и алгоритм

делать  [Nova] la jindera&Миддот; Раджндра Акеркар&Миддот;
Конечно   цена:59
вне&Ensp; издание&Encp; Общество:Machinery Industry Press
Дата публикации:01 октября 2018 г.
Страница &Nbsp; номер:191
Пакет   кадр:Оплата в мягкой обложке
ISBN:9787111608769
Оглавление
●Переводчик ПРЕДИСЛОВИЕ   Введение 11.1   Введение 11.2   История науки о данных 21.3   важность науки о данных в современном бизнесе 31.4   Ученый данных 51.5   3D Data Science Actions 61.5.1   Поток данных управления 71.5.2   Обработка управления данными 81.5.3   Анализ данных 111.6   НАУКА КРЕССА ДАННЫХ И ДРУГИЕ ПОЛИЯ 111.7   анализ данных мышление 131.8   Поле приложения 131.8.1   устойчивое развитие ресурсов 131.8.2   Используйте социальные платформы для различных видов деятельности 141.8.3   Smart Web Application 141.8.4   Google Автоматический статистический проект 151.9   Приложений Computing Intellent Management Data Science Decivits 151.10   Научная сцена данных в бизнесе 171.11   Инструменты и технологии, которые помогают Data Science 171.11.1   инструмент очистки данных 181.11.2   инструмент управления и моделирования данных 191.11.3   Visual Tool Data 201.12   Практика 21 Ссылки 22 Глава 2   Анализ данных 232.1   Введение 232.2   Cross -Industry Standard Process 242.3   анализ данных жизненный цикл 252.4   Наука данных по науке   Сложность анализа данных 282.6   от данных до Insight 302.7   Построение возможностей анализа: Банковский случай 312.8   качество данных 322,9   Процесс подготовки данных 332.10   Результаты анализа связи 342.10.1   стратегия анализа коммуникации Результаты 342.10.2   Визуализация данных 352.10.3   Технология визуализации 362.11   Упражнение 37 Ссылки 37 Глава 3   Основной алгоритм обучения 383.1   учиться на данных 383.2   Superision Learning 403.2.1   линейная регрессия 403.2.2   Дерево решений 413.2.3   Случайный лес 463.2.4 &Nbsp; k-nearly смежный алгоритм 473.2.5   Логическая регрессия 493.2.6   Model Combiner 503.2.7   просто Байеся 533.2.8   Байесовская сеть веры 543.2.9   поддержка векторной машины 563.3   неконтролируемое обучение 573.3.1   алгоритм апреля 583.3.2   K-Means Algorithm 603.3.3   Сокращение данных для сжатия данных 623.4   укрепление обучения 623,5   Тематическое исследование: Используйте машинное обучение для выполнения маркетинговых мероприятий 653.6   Практика 66 Ссылки 67 Глава 4   смутная логика 684.1   Введение 684.2   смутная линейная функция 704.2.1   Треугольная аффилированная функция 714.2.2   Функция трапеции 714.2.3   Гауссовая аффилированная функция 714.2.4 &Аффилированная функция NBSP; Sigmoid 724.3   Метод распределения значений LISA 724.4   смутная и решение метода двусмысленности 734.5   операция нечеткого набора 734.5.1   смутно установлен 744.5.2   смутно коллекция 744.5.3   смутная коллекция коллекции 744.6   смутная коллекция природа 764.7   смутные отношения 764.8   нечеткое предложение 794.8.1   Fuzzy Connector 794.8.2   анализировать 794,8,3   Pass 804.8.4   отрицательный 804,8,5   содержит 804,9   смутные рассуждения 804.10   Система 814.11 на основе нечетких правил   смутная логика науки данных 824.11.1   приложение 1: добыча веб -контента 834.11.2   приложение 2: добыча веб -структуры 844.11.3   Приложение 3: Интернет использует раскопки 854.11.4   Приложение 4: Обработка окружающей среды и социальных данных 864.12   Инструменты и технологии для деятельности по науке о данных с нечеткой логикой 874.13   Практика 88 Ссылка 88 Глава 5   искусственная нейронная сеть 895.1   Введение 895.2   метод обучения символа 905.3   искусственная нейронная сеть и ее характеристики 915.4   Ann Model 935.4.1   Hopfield Model 935.4.2   выполнить модель 945.4.3   много -слоевое восприятие 965.4.4   глубокое обучение многослойному восприятию 985.4.5   Другая модель ANN 1005.4.6   линейная регрессия и нейронная сеть 1015.5   Ann Tool and Program 1025.6   эмоциональные раскопки на платформе социальной сети 1035.6.1   Работа, связанная с эмоциональной добычей 1035.6.2   Широкая архитектура 1045.6.3   дизайн нейронной сети 1045.7   применение и вызовы 1065.8   следующая точка 1075.9   Практика 108 Список литературы 109 Глава 6   расчет генетического алгоритма и эволюции 1116.1   Введение 1116.2   генетический алгоритм 1126.3   Основной принцип генетического алгоритма 1146.3.1   индивидуальное кодирование 1146.3.2   Мутация 1146.3.3   крест 1156.3.4   Функция адаптации 1166.3.5   выберите 1166.3.6   другие стратегии кодирования 1176.4   примеры оптимизации функций с помощью генетических алгоритмов 1186.5   Режим и режим Теорема 1206.5.1   экземпляр, бит определения и порядок режима 1206.5.2   важность режима 1216.6   генетические занятия на основе специальных применений 1216.7   Программирование эволюции 1236.8   применение генетических алгоритмов в медицинской помощи 1246.8.1   Дело о медицинской помощи 1246.8.2   пациенты на основе генетических алгоритмов 1256.8.3   код кандидат 1276.8.4   операция на населении 1276,8,5   другие приложения 1286.9   Практика 130 Ссылки Глава 7 Глава 7   другие методы метадаидной и классификации 1327.1   Введение 1327.2   процесс адаптивной памяти 1327.2.1   Табу поиск 1337.2.2   Поиск диспостера 1347.2.3   PATH Reight 1367.3   Групповая разведка 1367.3.1   Оптимизация колоний муравья 1377.3.2   Алгоритм искусственной пчелиной колонии 1387.3.3   Динамика формирования реки 1397.3.4   Оптимизация группы частиц 1397.3.5   Поиск случайного диффузии 1417.3.6   Групповая интеллект и большие данные 1427.4   Рассуждение о делом 1427.4.1   CASE Learning Learning 1447.4.2   Рассуждение и наука о данных 1457.4.3   обработка сложных областей 1467,5   грубый набор 1467.6   Упражнение 148 Ссылки 148 Глава 8   анализ и большие данные 1498.1   Введение 1498.2   Традиционный анализ и анализ больших данных 1508.3   крупная параллельная обработка 1528.3.1  MapReduce 1528.3.2   сравнение с RDBMS 1548.3.3   параллельное программирование 1558.3.4 Общее хранилище   Apache Hadoop Ecosystem 1558.3.5   Hadoop Распределенная файловая система 1578.4  
Пунктирное содержание

краткое введение

В этой книге подробно описываются соответствующие интеллектуальные технологии в области науки данных, включая анализ данных, базовые алгоритмы обучения, нечеткую логику, искусственные нейронные сети, генетические алгоритмы и расчеты эволюции, а также использование языка R для анализа больших данных.Эта книга может использоваться в качестве учебных материалов для компьютерного профессионала и аспирантов в колледжах и университетах, а также курсы искусственного интеллекта для аспирантов других профессиональных аспирантов. Она также может использоваться в качестве справочника для соответствующих учителей и анализа данных техники.

Краткое содержание

Информационные и коммуникационные технологии (ИКТ) стали общими инструментами для бизнеса.С высотой и поддержкой, предоставленными ИКТ, многие сложные вычислительные задачи были упрощены.С другой стороны, информационные и коммуникационные технологии также стали ключевым фактором в создании проблем!В настоящее время, если вы не используете интеллектуальную технологию, масштаб данных, собранных в различных областях, намного превышает нашу способность сокращать данные и анализировать данные.Много ценной информации скрыта в накопленных (больших) данных.Тем не менее, очень трудно получить эту ценную информацию и понимание.Следовательно, важно помочь людям извлечь знания из данных для извлечения знаний.В конце концов, почему эти умные и интеллектуальные инструменты и технологии по сути не чтобы минимизировать участие людей и эффективно управлять массовыми данными?Интеллектуальные технологии, включая нейронные сети, нечеткие системы, эволюционные вычисления и другие области машинного обучения, она очень эффективна в распознавании данных, визуализации, классификации и анализе, используемых для поддержки бизнес -решений.Разработанная теория вычислительной интеллекта была применена ко многим областям, таким как инженерия, анализ данных, прогнозирование и медицинская помощь.Эта книга объединяет эти методы для решения проблем в науке о данных.Недавно появился“ наука о данных&Слово Rdquo; конкретно относится к одному, чтобы сделать ...