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
دسته بندی: سازمان و پردازش داده ها ویرایش: 1 نویسندگان: Tamraparni Dasu. Theodore Johnson سری: ISBN (شابک) : 9780471268512, 0471268518 ناشر: Wiley-Interscience سال نشر: 2003 تعداد صفحات: 8 زبان: English فرمت فایل : ZIP (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
در صورت تبدیل فایل کتاب Exploratory Data Mining and Data Cleaning 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 داده کاوی اکتشافی و نظافت داده 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.
* برای دست اندرکاران داده کاوی، پاکسازی داده ها و مدیریت پایگاه داده نوشته شده است. * یک درمان فنی از کیفیت داده ها از جمله فرآیند، معیارها، ابزارها و الگوریتم ها را ارائه می دهد. * بر توسعه یک استراتژی مدل سازی در حال تکامل از طریق یک حلقه اکتشاف داده های تکراری و ادغام دانش دامنه تمرکز می کند. * با استفاده از ابزارهای تجاری موجود و همچنین رویکردهای الگوریتمی جدید، به روشهای تشخیص، کمیسازی و تصحیح مسائل مربوط به کیفیت دادهها که میتوانند تأثیر قابلتوجهی بر یافتهها و تصمیمگیریها داشته باشند، میپردازد. * از مطالعات موردی برای نشان دادن برنامه های کاربردی در سناریوهای زندگی واقعی استفاده می کند. * رویکردها و روششناسیهای جدید مانند تقسیمبندی فضای DataSphere و تکنیکهای تحلیل مبتنی بر خلاصه را برجسته میکند. داده کاوی اکتشافی و پاکسازی داده ها به عنوان یک مرجع مهم برای تحلیلگران داده های جدی که نیاز به تجزیه و تحلیل مقادیر زیادی از داده های ناآشنا دارند، مدیران پایگاه های داده عملیات و دانشجویان در دوره های کارشناسی یا کارشناسی ارشد که با تجزیه و تحلیل داده ها در مقیاس بزرگ و داده کاوی سروکار دارند، عمل می کند.
* Written for practitioners of data mining, data cleaning and database management. * Presents a technical treatment of data quality including process, metrics, tools and algorithms. * Focuses on developing an evolving modeling strategy through an iterative data exploration loop and incorporation of domain knowledge. * Addresses methods of detecting, quantifying and correcting data quality issues that can have a significant impact on findings and decisions, using commercially available tools as well as new algorithmic approaches. * Uses case studies to illustrate applications in real life scenarios. * Highlights new approaches and methodologies, such as the DataSphere space partitioning and summary based analysis techniques. Exploratory Data Mining and Data Cleaning will serve as an important reference for serious data analysts who need to analyze large amounts of unfamiliar data, managers of operations databases, and students in undergraduate or graduate level courses dealing with large scale data analys is and data mining.