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 ed.] نویسندگان: Lei Zhang, Bing Liu (auth.), Wesley W. Chu (eds.) سری: Studies in Big Data 1 ISBN (شابک) : 9783642408366, 9783642408373 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2014 تعداد صفحات: 311 [310] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 Mb
در صورت تبدیل فایل کتاب Data Mining and Knowledge Discovery for Big Data: Methodologies, Challenge and Opportunities 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 معدن داده و کشف دانش برای داده های بزرگ: روش ها، چالش ها و فرصت ها 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.
زمینه داده کاوی در سه دهه گذشته پیشرفت های چشمگیری و گسترده ای داشته است. به دلیل قدرت بالقوه ای که برای حل مسائل پیچیده دارد، داده کاوی با موفقیت در زمینه های مختلفی مانند تجارت، مهندسی، رسانه های اجتماعی و علوم زیستی به کار گرفته شده است. بسیاری از این برنامهها الگوها را در اطلاعات ساختاری پیچیده جستجو میکنند. برای مثال، در زیست پزشکی، مدلسازی سیستمهای بیولوژیکی پیچیده نیازمند پیوند دانش در سطوح مختلف علم، از ژنها تا بیماریها است. علاوه بر این، ویژگیهای دادههای مسائل نیز از ایستا به پویا و مکانی-زمانی، کامل به ناقص و متمرکز به توزیع شدهاند و در دامنه و اندازه خود رشد کردهاند (این به داده بزرگ معروف است). ادغام موثر داده های بزرگ برای تصمیم گیری نیز نیازمند حفظ حریم خصوصی است.
مشارکت های این تک نگاری پیشرفت های داده کاوی در زمینه های مربوطه را خلاصه می کند. این جلد شامل نه فصل است که به موضوعاتی از دادههای کاوی از نظر، پایگاههای داده مکانی-زمانی، الگوهای زیرگراف متمایز، کشف دانش مسیر، رسانههای اجتماعی، و مسائل مربوط به حریم خصوصی تا موضوع کاهش محاسبات از طریق فاکتورسازی ماتریس باینری میپردازد.
</ p>The field of data mining has made significant and far-reaching advances over the past three decades. Because of its potential power for solving complex problems, data mining has been successfully applied to diverse areas such as business, engineering, social media, and biological science. Many of these applications search for patterns in complex structural information. In biomedicine for example, modeling complex biological systems requires linking knowledge across many levels of science, from genes to disease. Further, the data characteristics of the problems have also grown from static to dynamic and spatiotemporal, complete to incomplete, and centralized to distributed, and grow in their scope and size (this is known as big data). The effective integration of big data for decision-making also requires privacy preservation.
The contributions to this monograph summarize the advances of data mining in the respective fields. This volume consists of nine chapters that address subjects ranging from mining data from opinion, spatiotemporal databases, discriminative subgraph patterns, path knowledge discovery, social media, and privacy issues to the subject of computation reduction via binary matrix factorization.