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: [1st ed.]
نویسندگان: Marek Kretowski
سری: Studies in Big Data 59
ISBN (شابک) : 9783030218508
ناشر: Springer International Publishing
سال نشر: 2019
تعداد صفحات: XI, 180
[184]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 Mb
در صورت تبدیل فایل کتاب Evolutionary Decision Trees in Large-Scale Data Mining 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 درختان تصمیم گیری تکاملی در داده کاوی در مقیاس بزرگ 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 یک چارچوب یکپارچه، بر اساس الگوریتمهای تکاملی تخصصی، برای القای جهانی انواع مختلف درختهای طبقهبندی و رگرسیون از دادهها ارائه میکند. درختان تک متغیره یا مورب حاصل به طور قابل توجهی کوچکتر از آنهایی هستند که با روشهای استاندارد از بالا به پایین تولید می شوند، جنبه ای که برای تفسیر الگوهای استخراج شده توسط تحلیلگران دامنه حیاتی است. رویکرد ارائه شده در اینجا بسیار انعطاف پذیر است و می تواند به راحتی با برنامه های خاص داده کاوی سازگار شود، به عنوان مثال. درختهای مدل حساس به هزینه برای دادههای مالی یا درختهای چند آزمایشی برای دادههای بیان ژن. استقرا جهانی را می توان به طور موثر بر روی داده های مقیاس بزرگ بدون نیاز به منابع فوق العاده اعمال کرد. با یک شتاب ساده مبتنی بر GPU، مجموعه داده های متشکل از میلیون ها نمونه را می توان در چند دقیقه استخراج کرد. در صورتی که اندازه مجموعه دادهها سریعترین محاسبات حافظه را غیرممکن میکند، پیادهسازی مبتنی بر Spark بر روی خوشههای کامپیوتری، که تحمل خطا و پتانسیل مقیاسپذیری قابل توجهی را ارائه میدهد، میتواند اعمال شود.
This book presents a unified framework, based on specialized evolutionary algorithms, for the global induction of various types of classification and regression trees from data. The resulting univariate or oblique trees are significantly smaller than those produced by standard top-down methods, an aspect that is critical for the interpretation of mined patterns by domain analysts. The approach presented here is extremely flexible and can easily be adapted to specific data mining applications, e.g. cost-sensitive model trees for financial data or multi-test trees for gene expression data. The global induction can be efficiently applied to large-scale data without the need for extraordinary resources. With a simple GPU-based acceleration, datasets composed of millions of instances can be mined in minutes. In the event that the size of the datasets makes the fastest memory computing impossible, the Spark-based implementation on computer clusters, which offers impressive fault tolerance and scalability potential, can be applied.