دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Mining of Massive Datasets
دانلود کتاب استخراج مجموعه داده های عظیم
مشخصات کتاب
Mining of Massive Datasets
ویرایش: online edition (June, 2011)
نویسندگان: Anand Rajaraman. Jeffrey David Ullman
سری:
ISBN (شابک) : 1107015359, 9781107015357
ناشر: Cambridge University Press
سال نشر: 2011
تعداد صفحات: 341
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
قیمت کتاب (تومان) : 37,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Mining of Massive Datasets 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 استخراج مجموعه داده های عظیم 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 استخراج مجموعه داده های عظیم
محبوبیت تجارت اینترنتی و وب، مجموعه داده های بسیار بزرگی را فراهم می کند که می توان از آنها اطلاعات را با داده کاوی به دست آورد. این کتاب بر روی الگوریتم‌های عملی تمرکز دارد که برای حل مشکلات کلیدی در داده کاوی استفاده شده‌اند و می‌توانند حتی در بزرگترین مجموعه داده‌ها مورد استفاده قرار گیرند. این با بحث در مورد چارچوب کاهش نقشه، ابزاری مهم برای موازی کردن خودکار الگوریتم‌ها، آغاز می‌شود. نویسندگان ترفندهای هش کردن حساس به محلی و الگوریتم‌های پردازش جریانی را برای استخراج داده‌هایی که برای پردازش جامع خیلی سریع می‌رسند، توضیح می‌دهند. ایده PageRank و ترفندهای مربوط به سازماندهی وب در ادامه توضیح داده شده است. فصل های دیگر مشکلات یافتن مجموعه آیتم های مکرر و خوشه بندی را پوشش می دهند. فصل های پایانی دو کاربرد را پوشش می دهند: سیستم های توصیه و تبلیغات وب که هر کدام در تجارت الکترونیک حیاتی هستند. این کتاب که توسط دو مرجع در پایگاه داده و فناوری های وب نوشته شده است، خواندنی ضروری برای دانشجویان و پزشکان به طور یکسان است.
توضیحاتی درمورد کتاب به خارجی
The popularity of the Web and Internet commerce provides many extremely large datasets from which information can be gleaned by data mining. This book focuses on practical algorithms that have been used to solve key problems in data mining and which can be used on even the largest datasets. It begins with a discussion of the map-reduce framework, an important tool for parallelizing algorithms automatically. The authors explain the tricks of locality-sensitive hashing and stream processing algorithms for mining data that arrives too fast for exhaustive processing. The PageRank idea and related tricks for organizing the Web are covered next. Other chapters cover the problems of finding frequent itemsets and clustering. The final chapters cover two applications: recommendation systems and Web advertising, each vital in e-commerce. Written by two authorities in database and Web technologies, this book is essential reading for students and practitioners alike.
