Metaheuristics for Big Data

ویرایش: 1 
نویسندگان: Clarisse Dhaenens. Laetitia Jourdan  
سری: Computer Engineering Series: Metaheuristics Set 
ISBN (شابک) : 1848218060, 9781848218062 
ناشر: Wiley-ISTE 
سال نشر: 2016 
تعداد صفحات: 216 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

قیمت کتاب (تومان) : 28,000

Big Data یک حوزه جدید است که با چالش های تکنولوژیکی زیادی باید درک کرد تا بتوان از آن به طور کامل از پتانسیل آن استفاده کرد. این چالش‌ها در تمام مراحل کار با داده‌های بزرگ، از تولید و جمع‌آوری داده‌ها آغاز می‌شوند. مرحله ذخیره سازی و مدیریت دو چالش حیاتی را ارائه می دهد: زیرساخت، برای ذخیره سازی و حمل و نقل، و مدل های مفهومی. در نهایت، استخراج معنا از داده های بزرگ نیاز به تجزیه و تحلیل پیچیده دارد. در اینجا نویسندگان استفاده از فراابتکاری را به عنوان راه حلی برای این چالش ها پیشنهاد می کنند. آنها اولاً قادر به مقابله با مشکلات اندازه بزرگ و ثانیاً انعطاف پذیر هستند و بنابراین به راحتی با انواع مختلف داده ها و زمینه های مختلف سازگار هستند.

استفاده از فراابتکاری برای غلبه بر برخی از این چالش های داده کاوی در قسمت اول کتاب همراه با یک پروتکل خاص برای ارزیابی عملکرد الگوریتم ها معرفی و توجیه شده است. مقدمه ای بر فراابتکاری در ادامه می آید. بخش دوم کتاب تعدادی از وظایف داده‌کاوی، از جمله خوشه‌بندی، قوانین مرتبط، طبقه‌بندی نظارت شده و انتخاب ویژگی را شرح می‌دهد، قبل از توضیح اینکه چگونه می‌توان از فراابتکاری برای مقابله با آنها استفاده کرد. این کتاب به گونه‌ای طراحی شده است که خودکفا باشد، به طوری که خوانندگان بتوانند تمام مفاهیم مورد بحث در آن را درک کنند و مروری بر کاربردهای اخیر فراابتکاری در مسائل کشف دانش در زمینه داده‌های بزرگ ارائه دهد.

Big Data is a new field, with many technological challenges to be understood in order to use it to its full potential.  These challenges arise at all stages of working with Big Data, beginning with data generation and acquisition. The storage and management phase presents two critical challenges: infrastructure, for storage and transportation, and conceptual models. Finally, to extract meaning from Big Data requires complex analysis. Here the authors propose using metaheuristics as a solution to these challenges; they are first able to deal with large size problems and secondly flexible and therefore easily adaptable to different types of data and different contexts.

The use of metaheuristics to overcome some of these data mining challenges is introduced and justified in the first part of the book, alongside a specific protocol for the performance evaluation of algorithms.  An introduction to metaheuristics follows. The second part of the book details a number of data mining tasks, including clustering, association rules, supervised classification and feature selection, before explaining how metaheuristics can be used to deal with them. This book is designed to be self-contained, so that readers can understand all of the concepts discussed within it, and to provide an overview of recent applications of metaheuristics to knowledge discovery problems in the context of Big Data.