Fundamentals of Big Data Network Analysis for Research and Industry

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Lee H.,  Sohn I.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 284 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 19 مگابایت 

قیمت کتاب (تومان) : 37,000

وایلی، 2015. - 282 ص. — ISBN: 9781119015581 مبانی تجزیه و تحلیل شبکه داده های بزرگ برای تحقیق و صنعت
هیونجونگ لی، موسسه فناوری سبز، دانشگاه یونسی، جمهوری کره
ایل سون، علم و مهندسی مواد، دانشگاه یونسی، جمهوری کره روش شناسی تجزیه و تحلیل داده های بزرگ را با استفاده از نمونه هایی از تحقیقات و صنعت ارائه می کند مقدار زیادی داده در همه جا وجود دارد و توانایی انتخاب اطلاعات حیاتی اهمیت فزاینده ای دارد. برخلاف تصور رایج، همه اطلاعات مفید نیستند. تجزیه و تحلیل شبکه داده های بزرگ فرض می کند که داده ها نه تنها بزرگ هستند، بلکه معنادار هستند، و این کتاب بر روی تکنیک های اساسی مورد نیاز برای استخراج اطلاعات ضروری از مجموعه داده های گسترده تمرکز دارد. کتاب راهنمایی های عملی ارائه می دهد که خوانندگان را قادر می سازد به راحتی تجزیه و تحلیل شبکه داده های بزرگ را درک کنند. توجه ویژه ای به روش شناسی تجزیه و تحلیل شبکه، ارائه اطلاعات در مورد روش جمع آوری داده ها، در مورد طراحی و تجزیه و تحلیل تحقیق، و در مورد تفسیر نتایج می شود. برنامه های مختلفی از جمله UCINET، NetMiner، R، NodeXL، و Gephi برای تجزیه و تحلیل شبکه به تفصیل پوشش داده شده است. رویکردی به تجزیه و تحلیل داده ها. این کتاب:
مفاهیم اساسی در درک داده های بزرگ و فیلتر کردن داده های معنی دار را توضیح می دهد
تجزیه و تحلیل کلان داده را در دیدگاه شبکه‌ای
روش‌شناسی ویژگی‌های کاربردی برای تحقیق و صنعت
رابطه اجتماعی بین داده‌های بزرگ و پیامدهای آن را به تفصیل شرح می‌دهد
بینشی در مورد شناسایی الگوها و روابط بین داده‌های بزرگ به ظاهر نامرتبط ارائه می‌کند مبانی تجزیه و تحلیل شبکه داده های بزرگ برای تحقیق و صنعت منبع ارزشمندی برای تحلیلگران، مهندسان محقق، مهندسان صنایع، متخصصان بازاریابی و هر فردی است که با داده های بزرگ انباشته شده که علاقه مندی آنهاست سروکار دارند. تجزیه و تحلیل و شناسایی روابط بالقوه بین مجموعه داده ها است.

Wiley, 2015. — 282 p. — ISBN: 9781119015581 Fundamentals of Big Data Network Analysis for Research and Industry
Hyunjoung Lee, Institute of Green Technology, Yonsei University, Republic of Korea
Il Sohn, Material Science and Engineering, Yonsei University, Republic of Korea Presents the methodology of big data analysis using examples from research and industry There are large amounts of data everywhere, and the ability to pick out crucial information is increasingly important. Contrary to popular belief, not all information is useful; big data network analysis assumes that data is not only large, but also meaningful, and this book focuses on the fundamental techniques required to extract essential information from vast datasets.
Featuring case studies drawn largely from the iron and steel industries, this book offers practical guidance which will enable readers to easily understand big data network analysis. Particular attention is paid to the methodology of network analysis, offering information on the method of data collection, on research design and analysis, and on the interpretation of results. A variety of programs including UCINET, NetMiner, R, NodeXL, and Gephi for network analysis are covered in detail.
Fundamentals of Big Data Network Analysis for Research and Industry looks at big data from a fresh perspective, and provides a new approach to data analysis. This book:
Explains the basic concepts in understanding big data and filtering meaningful data
Presents big data analysis within the networking perspective
Features methodology applicable to research and industry
Describes in detail the social relationship between big data and its implications
Provides insight into identifying patterns and relationships between seemingly unrelated big data Fundamentals of Big Data Network Analysis for Research and Industry will prove a valuable resource for analysts, research engineers, industrial engineers, marketing professionals, and any individuals dealing with accumulated large data whose interest is to analyze and identify potential relationships among data sets.