دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Marcello Trovati, Richard Hill, Ashiq Anjum, Shao Ying Zhu, Lu Liu (eds.) سری: ISBN (شابک) : 9783319253114, 9783319253138 ناشر: Springer International Publishing سال نشر: 2015 تعداد صفحات: 178 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل کلان داده و محاسبات ابری: تئوری، الگوریتم ها و کاربردها: احتمال و آمار در علوم کامپیوتر، شبکه های ارتباطی کامپیوتری، شبیه سازی و مدل سازی، کاربردهای ریاضی در علوم کامپیوتر
در صورت تبدیل فایل کتاب Big-Data Analytics and Cloud Computing: Theory, Algorithms and Applications به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل کلان داده و محاسبات ابری: تئوری، الگوریتم ها و کاربردها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب مفاهیم نظری، تکنیکهای پیشرو و ابزارهای عملی درگیر در جدیدترین رویکردهای چند رشتهای را بررسی میکند که به چالشهای کلان دادهها رسیدگی میکنند. دیدگاه های روشنگر از هر دو دانشگاه و صنعت توسط منتخبی بین المللی از کارشناسان در علم داده های بزرگ ارائه شده است. موضوعات و ویژگیها: پیشرفتهای نوآورانه در جنبههای نظری دادههای بزرگ، تحلیلهای پیشبینیکننده و معماریهای مبتنی بر ابر را توصیف میکند. برنامه ها و پیاده سازی هایی که از داده های بزرگ در معماری های ابری استفاده می کنند را بررسی می کند. بررسی وضعیت هنر در رویکردهای معماری برای ارائه توابع تجزیه و تحلیل کلان داده مبتنی بر ابر؛ جهتها و فناوریهای پژوهشی بالقوه را برای تسهیل تحقق مدلهای کسبوکار نوظهور از طریق رویکردهای کلان داده شناسایی میکند. چارچوب های نظری مرتبط، یافته های تحقیقات تجربی و مطالعات موردی متعدد را ارائه می دهد. در مورد کاربردهای واقعی الگوریتمها و تکنیکها برای رسیدگی به چالشهای مجموعه دادههای بزرگ بحث میکند.
This book reviews the theoretical concepts, leading-edge techniques and practical tools involved in the latest multi-disciplinary approaches addressing the challenges of big data. Illuminating perspectives from both academia and industry are presented by an international selection of experts in big data science. Topics and features: describes the innovative advances in theoretical aspects of big data, predictive analytics and cloud-based architectures; examines the applications and implementations that utilize big data in cloud architectures; surveys the state of the art in architectural approaches to the provision of cloud-based big data analytics functions; identifies potential research directions and technologies to facilitate the realization of emerging business models through big data approaches; provides relevant theoretical frameworks, empirical research findings, and numerous case studies; discusses real-world applications of algorithms and techniques to address the challenges of big datasets.
Front Matter....Pages i-xvi
Front Matter....Pages 1-1
Data Quality Monitoring of Cloud Databases Based on Data Quality SLAs....Pages 3-20
Role and Importance of Semantic Search in Big Data Governance....Pages 21-35
Multimedia Big Data: Content Analysis and Retrieval....Pages 37-51
An Overview of Some Theoretical Topological Aspects of Big Data....Pages 53-64
Front Matter....Pages 65-65
Integrating Twitter Traffic Information with Kalman Filter Models for Public Transportation Vehicle Arrival Time Prediction....Pages 67-82
Data Science and Big Data Analytics at Career Builder....Pages 83-96
Extraction of Bayesian Networks from Large Unstructured Datasets....Pages 97-109
Two Case Studies Based on Large Unstructured Sets....Pages 111-125
Information Extraction from Unstructured Data Sets: An Application to Cardiac Arrhythmia Detection....Pages 127-145
A Platform for Analytics on Social Networks Derived from Organisational Calendar Data....Pages 147-165
Back Matter....Pages 167-169