Подлинный анализ больших данных и алгоритм данных по науке и техническим технологиям серии технических книг.
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
| Анализ больших данных и алгоритм | ||
 | Ценообразование | 59.00 |
| Издатель | Machinery Industry Press | |
| Версия | 1 | |
| Опубликованная дата | Октябрь 2018 года | |
| формат | 16 | |
| автор | [Nova] la jindera&Миддот; Раджндра Акеркар· | |
| Украсить | Платформный порядок | |
| Количество страниц | 191 | |
| Число слов | ||
| Кодирование ISBN | 9787111608769 | |
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.
Предисловие
Dy Zhang покорно 1
1.1 Введение 1
1.2 ИСТОРИЯ НАУКА ДАННЫХ 2
1.3 Важность науки о данных в современном бизнесе 3 3
1.4 Data Scientist 5
1,5 3D Data Science Activts 6
1.5.1 Поток данных управления 7
1.5.2 Управление данными процесса 8
1.5.3 Анализ данных 11
1.6 НАУКА КРЕССА ДАННЫХ И ДРУГИЕ ПОЛИТА 11 11
1.7 Анализ данных мышление 13
1.8 Поле приложения 13
1.8.1 Устойчивое развитие ресурсов 13
1.8.2 Используйте социальные платформы для выполнения различных видов деятельности 14
1.8.3 Smart Web Application 14
1.8.4 Google Автоматический статистический проект 15
1.9 Приложения Computing Intelligent Management Data Science Decivits 15
1.10 Сцена науки о данных в бизнесе 17
1.11 Инструменты и технологии, которые помогают Data Science 17
1.11.1 Инструмент очистки данных 18
1.11.2 Инструмент управления данными и моделирования 19
1.11.3 Инструмент визуализации данных 20
1.12 Упражнение 21
Ссылки 22
Глава 2 Анализ данных 23
2.1 Введение 23
2.2 Cross -Industry Standard Process 24
2.3 Жизненный цикл анализа данных 25
2.4 Жизненный цикл проекта Data Science 27
2.5 Сложность анализа данных 28
2.6 От данных до Insight 30
2.7 Создайте аналитическую способность: Банк Случай 31
2.8 Качество данных 32
2.9 Процесс подготовки данных 33
2.10 Результаты анализа связи 34
2.10.1 Стратегия анализа коммуникации Результаты 34
2.10.2 Визуализация данных 35
2.10.3 Технология визуализации 36
2.11 Упражнение 37
Ссылки 37
Глава 3 Основной алгоритм обучения 38
3.1 Учитесь на данных 38
3.2.
3.2.1 Линейная регрессия 40
3.2.2 Дерево решений 41
3.2.3 Случайный лес 46
3.2.4 K-near соседний алгоритм 47
3.2.5 Логическая регрессия 49
3.2.6 модели Combiner 50
3.2.7 Простая байессия 53
3.2.8 Bayesian Selief Network 54
3.2.9
3.3 Неконтролируемое обучение 57
3.3.1 Apriori Algorithm 58
3.3.2 Алгоритм K-среднего 60
3.3.3 Противоразмерное сокращение для сжатия данных 62
3.4 Усиление обучения 62
3.5 Тематическое исследование: используйте машинное обучение для маркетинговых мероприятий 65
3.6 Упражнение 66
Ссылки 67
Глава 4 Неопределенная логика 68
4.1 Введение 68
4.2 Размывающая закон Функция 70
4.2.1 Треугольная аффилированная функция 71
4.2.2 Трапезиидальная филиала 71
4.2.3 Гауссовая аффилированная функция 71
4.2.4 Sigmoid A, принадлежащая функции 72
4.3 Метод распределения значений лизы 72
4.4 Метод смутной и безотверженной 73
4.5 Неопределенная коллекция 73
4.5.1 Смутно коллекция Посала 74
4.5.2 Обязательная коллекция пересечения 74
4.5.3 Макияж смутной коллекции 74
4.6 Неопределенная коллекция природа 76
4.7 смутные отношения 76
4.8 Определенное предложение 79
4.8.1 смутный разъем 79
4.8.2 Анализ 79
4.8.3 закрыть 80
4.8.4 Переговоры 80
4.8.5 содержит 80
4.9 смутные рассуждения 80
4.10 Система на основе нечетких правил 81
4.11 Data Science Dever Logic 82
4.11.1 Приложение 1: добыча веб -контента 83
4.11.2 Приложение 2: добыча веб -структуры 84
4.11.3 Приложение 3: Интернет использует раскопки 85
4.11.4 Приложение 4: Обработка окружающей среды и социальных данных 86
4.12 Инструменты и технологии для деятельности по науке о данных с нечеткой логикой 87
4.13 Упражнение 88
Ссылка 88
Глава 5 Искусственная нейронная сеть 89
5.1 Введение 89
5.2 Метод обучения символам 90
5.3 Искусственная нейронная сеть и ее характеристики 91
5.4 Ann Model 93
5.4.1 Модель Hopfield 93
5.4.2 Модель восприятия 94
5.4.3 Multi -Layer Presception 96
5.4.4 Multi -Layer Deep Learning 98
5.4.5 Другая модель ANN 100
5.4.6 Линейная регрессия и нейронная сеть 101
5.5 Ann Tool and Program 102
5.6 Эмоциональная добыча на платформе социальной сети 103 103
5.6.1 Эмоциональная добыча, связанная с работой 103
5.6.2 Широкая архитектура 104
5.6.3 Дизайн нейронной сети 104
5.7 Приложение и задача 106
5.8 Следите за точкой 107
5.9 упражнение 108
Ссылки 109
Глава 6 Генетический алгоритм и расчет эволюции 111
6.1 Введение 111
6.2 Генетический алгоритм 112
6.3 Основной принцип генетического алгоритма 114
6.3.1 Индивидуальное кодирование 114
6.3.2 Мутация 114
6.3.3 Перекресток 115
6.3.4 Функция адаптации 116
6.3.5 Выберите 116
6.3.6 Другие стратегии кодирования 117
6.4 Примеры оптимизации функций с помощью генетических алгоритмов 118
6.5 Режим и режим Теорема 120
6.5.1 экземпляр, бит определения и заказ режима 120
6.5.2 Важность режима 121
6.6 Генетический оператор на основе специальных применений 121
6.7 Программирование эволюции 123
6.8 Применение генетических алгоритмов в медицинской помощи 124
6.8.1 Случай здравоохранения 124
6.8.2 Система планирования пациентов на основе генетического алгоритма 125
6.8.3 Кодированный кандидат 127
6.8.4 Тип работы 127
6.8.5 Другие приложения 128
6.9 Упражнение 130
Ссылки 131
Глава 7 Другие методы вдохновения и классификации маримонального вдохновения 132
7.1 Введение 132
7.2 Адаптивная память процесс 132
7.2.1 Табу поиск 133
7.2.2 Поиск утилизации 134
7.2.3 Вес пути 136
7.3 Тело интеллект 136
7.3.1 Оптимизация муравья 137
7.3.2 Алгоритм искусственной пчелы 138
7.3.3 Динамика реки 139
7.3.4 Оптимизация частиц 139
7.3.5 Случайный поиск диффузии 141
7.3.6 Интеллект тела и большие данные 142
7.4.
7.4.1 Обучение в случае вывода 144
7.4.2 Рассуждение о случаях и наука о данных 145
7.4.3 Обработка сложных областей 146
7,5 Грубая коллекция 146
7.6 Упражнение 148
Ссылки 148
Глава 8 Анализ и большие данные 149
8.1 Введение 149
8.2 Традиционный анализ и анализ больших данных 150
8.3 Большое параллельное лечение 152
8.3.1 MapReduce 152
8.3.2 Сравнение с RDBMS 154
8.3.3 Параллельное программирование 155 общего хранилища 155
8.3.4 Apache Hadoop Ecosystem 155
8.3.5 Hadoop Распределенная файловая система 157
8.4 nosql