Models of Computation for Big Data

سونامی کلان داده دیدگاه تحقیقات صنعتی و دانشگاهی را در نحوه پرداختن به سوالات اساسی و کاربردهای عملی تغییر می دهد. این امر مستلزم یک تغییر پارادایم در الگوریتم ها و تکنیک های ریاضی اساسی است. نیاز به درک نقاط قوت اساسی و پرداختن به چالش‌های جدید در کلان داده وجود دارد که می‌تواند به تأثیر عملی منجر شود. هدف اصلی این کتاب معرفی تکنیک های الگوریتمی برای برخورد با مجموعه داده های بزرگ است. الگوریتم‌های سنتی زمانی با موفقیت کار می‌کنند که داده‌های ورودی به خوبی در حافظه قرار بگیرند. با این حال، در بسیاری از موقعیت‌های کاربردی اخیر، اندازه داده‌های ورودی آنقدر بزرگ است که در حافظه جا نمی‌شود.

مدل‌های محاسباتی برای داده‌های بزرگ، مدل‌های ریاضی برای توسعه چنین الگوریتم‌هایی را پوشش می‌دهد. ، که ریشه در مطالعه کلان داده ها دارد که اغلب در کاربردهای مختلف رخ می دهند. بیشتر تکنیک های مورد بحث از تحقیقات در دهه گذشته ناشی می شود. این کتاب به عنوان دنباله ای از ایده های الگوریتمی، زیربنای نظری و استفاده عملی از آن ایده الگوریتمی ساختار یافته است. در نظر گرفته شده هم برای دانشجویان کارشناسی ارشد و هم برای دانشجویان مقطع کارشناسی ارشد، هیچ پیش نیاز رسمی وجود ندارد، اما خواننده باید با مبانی طراحی و تحلیل الگوریتم، ریاضیات گسسته، احتمالات و بلوغ ریاضی عمومی آشنا باشد.

The big data tsunami changes the perspective of industrial and academic research in how they address both foundational questions and practical applications. This calls for a paradigm shift in algorithms and the underlying mathematical techniques. There is a need to understand foundational strengths and address the state of the art challenges in big data that could lead to practical impact. The main goal of this book is to introduce algorithmic techniques for dealing with big data sets. Traditional algorithms work successfully when the input data fits well within memory. In many recent application situations, however, the size of the input data is too large to fit within memory.

Models of Computation for Big Data, covers mathematical models for developing such algorithms, which has its roots in the study of big data that occur often in various applications. Most techniques discussed come from research in the last decade. The book will be structured as a sequence of algorithmic ideas, theoretical underpinning, and practical use of that algorithmic idea. Intended for both graduate students and advanced undergraduate students, there are no formal prerequisites, but the reader should be familiar with the fundamentals of algorithm design and analysis, discrete mathematics, probability and have general mathematical maturity.