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: 2 نویسندگان: Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman سری: ISBN (شابک) : 1107077230, 9781107077232 ناشر: Cambridge University Press سال نشر: 2014 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 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
این کتاب که توسط مقامات برجسته در پایگاه داده و فناوری های وب نوشته شده است، خواندنی ضروری برای دانشجویان و پزشکان به طور یکسان است. محبوبیت تجارت اینترنتی و وب، مجموعه داده‌های بسیار بزرگی را فراهم می‌کند که می‌توان با داده کاوی اطلاعات را از آنها به دست آورد. این کتاب بر روی الگوریتم‌های عملی تمرکز دارد که برای حل مسائل کلیدی در داده‌کاوی استفاده شده‌اند و می‌توانند با موفقیت حتی برای بزرگترین مجموعه داده‌ها اعمال شوند. این با بحث در مورد چارچوب کاهش نقشه، ابزاری مهم برای موازی سازی خودکار الگوریتم ها، آغاز می شود. نویسندگان ترفندهای هش کردن حساس به محلی و الگوریتم‌های پردازش جریانی را برای استخراج داده‌هایی که برای پردازش جامع خیلی سریع می‌رسند، توضیح می‌دهند. فصول دیگر ایده PageRank و ترفندهای مربوط به سازماندهی وب، مشکلات یافتن مجموعه آیتم های مکرر و خوشه بندی را پوشش می دهند. این نسخه دوم شامل پوشش جدید و گسترده در شبکه های اجتماعی، یادگیری ماشینی و کاهش ابعاد است.
توضیحاتی درمورد کتاب به خارجی
Written by leading authorities in database and Web technologies, this book is essential reading for students and practitioners alike. 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 can be applied successfully to 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. Other chapters cover the PageRank idea and related tricks for organizing the Web, the problems of finding frequent itemsets and clustering. This second edition includes new and extended coverage on social networks, machine learning and dimensionality reduction.
