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: نویسندگان: Anna Hudaya Muhammad Amin, Asad Khan, Benny Nasution سری: ISBN (شابک) : 1466510978, 9781466510975 ناشر: CRC Press سال نشر: 2013 تعداد صفحات: 196 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Internet-scale pattern recognition: new techniques for voluminous data sets and data clouds 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 تشخیص الگوی مقیاس اینترنت: تکنیک های جدید برای مجموعه داده های حجیم و ابرهای داده 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 اینکه برنامههای هوشمند ماشینی با موفقیت کار کنند، ماشینها باید تحت تغییرات دادهها عملکرد قابل اعتمادی داشته باشند و باید بتوانند با جریان دادهها همگام باشند. تشخیص الگوی مقیاس اینترنت: تکنیکهای جدید برای مجموعه دادههای حجیم و ابرهای داده، مدلهای محاسباتی را معرفی میکند که عملکرد و مقیاسپذیری را برای دستیابی به سطوح بالاتری از قابلیت اطمینان مورد بررسی قرار میدهد. این روشهای مختلف پیادهسازی تشخیص الگو را با استفاده از هوش ماشین بررسی میکند. بر اساس تحقیقات نویسندگان در 10 سال گذشته، متن از مفاهیمی از شناسایی الگو، پردازش موازی، سیستم های توزیع شده و شبکه های داده استفاده می کند. این تحقیق بنیادی در مورد مقیاس پذیری و عملکرد تشخیص الگو را توصیف می کند و به مسائل مربوط به طرح های تشخیص الگوی موجود برای استقرار داده در مقیاس اینترنت می پردازد. نویسندگان رویکردهای متعددی را بررسی کرده و راهحلهای ممکن را برای مشکل مقیاسپذیری معرفی میکنند. این کتاب با ارائه مجموعه ای مختصر از دانش مورد نیاز برای تشخیص الگوی قابل اعتماد و مقیاس پذیر، منحنی یادگیری را کوتاه می کند و بینش ارزشمندی برای ایجاد نوآوری های بیشتر به شما می دهد. این یک الگوی قابل گسترش برای برنامه های کاربردی تشخیص الگوی در مقیاس اینترنت و همچنین راهنمایی در مورد برنامه نویسی شبکه های بزرگ دستگاه ها ارائه می دهد.
For machine intelligence applications to work successfully, machines must perform reliably under variations of data and must be able to keep up with data streams. Internet-Scale Pattern Recognition: New Techniques for Voluminous Data Sets and Data Clouds unveils computational models that address performance and scalability to achieve higher levels of reliability. It explores different ways of implementing pattern recognition using machine intelligence. Based on the authors’ research from the past 10 years, the text draws on concepts from pattern recognition, parallel processing, distributed systems, and data networks. It describes fundamental research on the scalability and performance of pattern recognition, addressing issues with existing pattern recognition schemes for Internet-scale data deployment. The authors review numerous approaches and introduce possible solutions to the scalability problem. By presenting the concise body of knowledge required for reliable and scalable pattern recognition, this book shortens the learning curve and gives you valuable insight to make further innovations. It offers an extendable template for Internet-scale pattern recognition applications as well as guidance on the programming of large networks of devices.
I Recognition: A New Perspective: Introduction. Distributed Approach for Pattern Recognition. II Evolution of Internet-Scale Recognition: One-Shot Learning Considerations. Hierarchical Model for Pattern Recognition. Recognition via a Divide-and-Distribute Approach. III Systems and Tools: Internet-Scale Applications Development. IV Implementations and Applications: Multi-Feature Classifications for Complex Data. Pattern Recognition within Coarse-Grained Networks. Event Detection within Fine-Grained Networks. Recognition: The Future and Beyond. Bibliography.