دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب High Performance Computing for Big Data: Methodologies and Applications
دانلود کتاب محاسبات با کارایی بالا برای داده های بزرگ: روش ها و برنامه های کاربردی
مشخصات کتاب
High Performance Computing for Big Data: Methodologies and Applications
ویرایش: 1
نویسندگان: Chao Wang
سری: Chapman & Hall/CRC Big Data Series
ISBN (شابک) : 1498783996, 9781498783996
ناشر: Chapman and Hall/CRC
سال نشر: 2017
تعداد صفحات: 375
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
قیمت کتاب (تومان) : 33,000
کلمات کلیدی مربوط به کتاب محاسبات با کارایی بالا برای داده های بزرگ: روش ها و برنامه های کاربردی: آمار، آموزش و مرجع، کسب و کار و پول، داده کاوی، پایگاه های داده و کلان داده، کامپیوتر و فناوری، رایانه های اصلی و مینی، سخت افزار و DIY، کامپیوتر و فناوری، آمار، کاربردی، ریاضیات، علوم و ریاضیات، کسب و کار و امور مالی، حسابداری بانکداری، ارتباطات تجاری، توسعه کسب و کار، اخلاق کسب و کار، حقوق کسب و کار، اقتصاد، کارآفرینی، مالی، منابع انسانی، کسب و کار بین المللی، سرمایه گذاری و اوراق بهادار، مدیریت، بازاریابی، املاک و مستغلات، فروش، جدید، کتاب های دست دوم و بازیابی،
در صورت تبدیل فایل کتاب High Performance Computing for Big Data: Methodologies and Applications 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 محاسبات با کارایی بالا برای داده های بزرگ: روش ها و برنامه های کاربردی 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.
توضیحاتی در مورد کتاب محاسبات با کارایی بالا برای داده های بزرگ: روش ها و برنامه های کاربردی
محاسبات با کارایی بالا برای داده های بزرگ: روش ها و کاربردها معماری های نوظهور با کارایی بالا برای برنامه های کاربردی داده فشرده، تحلیلی کارآمد جدید را بررسی می کند. استراتژی‌هایی برای تقویت پردازش داده‌ها و کاربردهای پیشرفته در زمینه‌های مختلف، مانند یادگیری ماشین، علوم زیستی، شبکه‌های عصبی و مهندسی نورومورفیک.
کتاب در دو بخش اصلی سازماندهی شده است. بخش اول معماری های کلان داده، از جمله سیستم های محاسبات ابری، و شتاب دهنده های ناهمگن را پوشش می دهد. همچنین اصول طراحی IC 3 بعدی در حال ظهور برای معماری ها و دستگاه های حافظه را پوشش می دهد. بخش دوم کتاب کاربردهای در حال ظهور و عملی داده های بزرگ را در چندین حوزه از جمله بیوانفورماتیک، یادگیری عمیق و مهندسی نورومورفیک نشان می دهد.
ویژگی ها
- طیف وسیعی از معماری های داده های بزرگ، از جمله سیستم های توزیع شده مانند Hadoop/Spark
- شامل رویکردهای مبتنی بر شتاب دهنده برای برنامه های داده های بزرگ مانند تکنیک های شتاب مبتنی بر GPU و شتاب سخت افزاری مانند FPGA/CGRA/ASIC < P>
- معماری‌های حافظه و دستگاه‌های نوظهور مانند NVM، STT- RAM، اصول طراحی آی سی سه بعدی را ارائه می‌دهد
- الگوریتم‌های پیشرفته را برای حوزه‌های مختلف برنامه داده‌های بزرگ توضیح می‌دهد< /LI>
- تکنیک‌های تحلیلی جدید را برای کاربردهای داده‌های بزرگ، زمان‌بندی، نقشه‌برداری و متدولوژی‌های تقسیم‌بندی نشان می‌دهد
این کتاب با مشارکت کارشناسان برجسته، تحقیقات پیشرفته‌ای را در مورد روش‌ها و کاربردهای محاسبات با کارایی بالا برای کاربردهای کلان داده ارائه می‌کند.
درباره ویرایشگر
Dr. چائو وانگ دانشیار دانشکده علوم کامپیوتر در دانشگاه علم و صنعت چین است. او دستیار ویراستار ACM Transactions در طراحی اتوماسیون برای سیستم‌های الکترونیک (TODAES)، محاسبات نرم کاربردی، ریزپردازنده‌ها و میکروسیستم‌ها، کامپیوترهای IET و تکنیک‌های دیجیتال، و مجله بین‌المللی الکترونیک است. دکتر چائو وانگ دریافت کننده جوایز انجمن ارتقای نوآوری جوانان، CAS، ACM China Rising Star Honorable Mention (2016) و بهترین نامزدی IP در تاریخ DATE 2015 بود. او اکنون در کمیته فنی CCF در معماری کامپیوتر، گروه کاری CCF در فرمال حضور دارد. مواد و روش ها. او عضو ارشد IEEE، عضو ارشد CCF و عضو ارشد ACM است.
توضیحاتی درمورد کتاب به خارجی
High-Performance Computing for Big Data: Methodologies and Applications explores emerging high-performance architectures for data-intensive applications, novel efficient analytical strategies to boost data processing, and cutting-edge applications in diverse fields, such as machine learning, life science, neural networks, and neuromorphic engineering.
The book is organized into two main sections. The first section covers Big Data architectures, including cloud computing systems, and heterogeneous accelerators. It also covers emerging 3D IC design principles for memory architectures and devices. The second section of the book illustrates emerging and practical applications of Big Data across several domains, including bioinformatics, deep learning, and neuromorphic engineering.
Features
- Covers a wide range of Big Data architectures, including distributed systems like Hadoop/Spark
- Includes accelerator-based approaches for big data applications such as GPU-based acceleration techniques, and hardware acceleration such as FPGA/CGRA/ASICs
- Presents emerging memory architectures and devices such as NVM, STT- RAM, 3D IC design principles
- Describes advanced algorithms for different big data application domains
- Illustrates novel analytics techniques for Big Data applications, scheduling, mapping, and partitioning methodologies
Featuring contributions from leading experts, this book presents state-of-the-art research on the methodologies and applications of high-performance computing for big data applications.
About the Editor
Dr. Chao Wang is an Associate Professor in the School of Computer Science at the University of Science and Technology of China. He is the Associate Editor of ACM Transactions on Design Automations for Electronics Systems (TODAES), Applied Soft Computing, Microprocessors and Microsystems, IET Computers & Digital Techniques, and International Journal of Electronics. Dr. Chao Wang was the recipient of Youth Innovation Promotion Association, CAS, ACM China Rising Star Honorable Mention (2016), and best IP nomination of DATE 2015. He is now on the CCF Technical Committee on Computer Architecture, CCF Task Force on Formal Methods. He is a Senior Member of IEEE, Senior Member of CCF, and a Senior Member of ACM.
فهرست مطالب
Content: Section I. Big data architectures --
Dataflow model for cloud computing frameworks in big data --
Design of a processor core customized for stencil computation --
Electromigration alleviation techniques for 3D integrated circuits --
A 3D hybrid cache design for CMP architecture for data-intensive applications --
Section II. Emerging big data applications --
Matrix factorization for drug-target interaction prediction --
Overview of neural network accelerators --
Acceleration for recommendation algorithms in data mining --
Deep learning accelerators --
Recent advances for neural networks accelerators and optimizations --
Accelerators for clustering applications in machine learning --
Accelerators for classification algorithms in machine learning --
Accelerators for big data genome sequencing.
