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:
نویسندگان: Stefan Peter Muller
سری:
ISBN (شابک) : 3832554440, 9783832554446
ناشر: Logos Verlag Berlin
سال نشر: 2022
تعداد صفحات: 232
[236]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Compression of an Array of Similar Crash Test Simulation Results 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 فشرده سازی آرایه ای از نتایج شبیه سازی تست تصادف مشابه 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.
داده های بزرگ با استخراج دانش از تعداد زیادی مجموعه داده رشد می کند. اما وقتی یک مجموعه داده تنها چندین گیگابایت حجم دارد، چگونه یک برنامه کاربردی ممکن است؟ تکنیکهای ابتکاری فشردهسازی دادهها از حوزه یادگیری ماشین و مدلسازی با استفاده از شبکههای بیزی، که به صورت تئوری توسعه یافته و به صورت عملی در اینجا پیادهسازی شدهاند، میتوانند این حجم عظیم داده را به اندازه قابل مدیریت کاهش دهند. با حذف افزونگی در مکان، زمان و بین نتایج شبیهسازی، کاهش دادهها به کمتر از 1 درصد اندازه اصلی امکانپذیر است. روش توسعهیافته رویکرد امیدوارکنندهای را نشان میدهد که استفاده از آن بسیار فراتر از مثال کاربردی شبیهسازیهای تست تصادف انتخاب شده در اینجا است.
Big data thrives on extracting knowledge from a large number of data sets. But how is an application possible when a single data set is several gigabytes in size? The innovative data compression techniques from the field of machine learning and modeling using Bayesian networks, which have been theoretically developed and practically implemented here, can reduce these huge amounts of data to a manageable size. By eliminating redundancies in location, time, and between simulation results, data reductions to less than 1 % of the original size are possible. The developed method represents a promising approach whose use goes far beyond the application example of crash test simulations chosen here.