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: [1st ed.] نویسندگان: Kah Phooi Seng, Li-minn Ang, Alan Wee-Chung Liew, Junbin Gao سری: ISBN (شابک) : 9783319975979 ناشر: Springer International Publishing سال نشر: 2019 تعداد صفحات: XV, 391 [391] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 Mb
در صورت تبدیل فایل کتاب Multimodal Analytics for Next-Generation Big Data Technologies and Applications 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 تجزیه و تحلیل چندوجهی برای فناوری ها و برنامه های کاربردی داده های بزرگ نسل بعدی 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.
این کتاب ویرایش شده به عنوان منبعی برای فناوریها و برنامههای کاربردی برای تجزیه و تحلیل دادههای چندوجهی در محیطهای کلان داده عمل خواهد کرد. پس از مقدمه، ویراستاران کتاب را در چهار بخش اصلی در تجزیه و تحلیل احساسات، عاطفه و احساسات برای داده های چندوجهی بزرگ سازماندهی می کنند. استراتژی های یادگیری بدون نظارت برای داده های چندوجهی بزرگ؛ استراتژیهای یادگیری تحت نظارت برای دادههای چندوجهی بزرگ؛ و پردازش و برنامه های کاربردی داده های بزرگ چندوجهی.
این کتاب برای محققان، متخصصان و دانشجویان مهندسی و علوم کامپیوتر، به ویژه افرادی که با پردازش تصویر و گفتار، پردازش اطلاعات چندوجهی، علم داده و هوش مصنوعی سروکار دارند، ارزشمند خواهد بود.
< /p>This edited book will serve as a source of reference for technologies and applications for multimodality data analytics in big data environments. After an introduction, the editors organize the book into four main parts on sentiment, affect and emotion analytics for big multimodal data; unsupervised learning strategies for big multimodal data; supervised learning strategies for big multimodal data; and multimodal big data processing and applications.
The book will be of value to researchers, professionals and students in engineering and computer science, particularly those engaged with image and speech processing, multimodal information processing, data science, and artificial intelligence.