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: [1 ed.] نویسندگان: Xiufeng Liu, Christian Thomsen (auth.), Abdelkader Hameurlain, Josef Küng, Roland Wagner, Alfredo Cuzzocrea, Umeshwar Dayal (eds.) سری: Lecture Notes in Computer Science 7790 ISBN (شابک) : 9783642375736, 9783642375743 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2013 تعداد صفحات: 197 [207] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
در صورت تبدیل فایل کتاب Transactions on Large-Scale Data- and Knowledge-Centered Systems VIII: Special Issue on Advances in Data Warehousing and Knowledge Discovery 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 معاملات در مقیاس بزرگ داده ها و سیستم های دانش محور هشتم: موضوع ویژه در مورد پیشرفت ها در ذخیره سازی داده ها و کشف دانش 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.
مجله LNCS Transactions on Large-Scale Data- and Knowledge-Centred Systems بر مدیریت داده ها، کشف دانش، و پردازش دانش تمرکز دارد که موضوعات اصلی و داغ در علوم کامپیوتر هستند. از دهه 1990، اینترنت به نیروی محرکه اصلی توسعه اپلیکیشن در همه حوزه ها تبدیل شده است. افزایش تقاضا برای اشتراکگذاری منابع در سایتهای مختلف متصل از طریق شبکهها منجر به تکامل سیستمهای مدیریت داده و دانش از سیستمهای متمرکز به سیستمهای غیرمتمرکز شده است که برنامههای کاربردی توزیعشده در مقیاس بزرگ را قادر میسازند مقیاسپذیری بالایی را ارائه کنند. سیستم های غیرمتمرکز کنونی همچنان بر داده ها و دانش به عنوان منبع اصلی خود تمرکز می کنند. امکان سنجی این سیستم ها اساساً به تکنیک های P2P (همتا به همتا) و پشتیبانی از سیستم های عامل با مقیاس بندی و کنترل غیرمتمرکز متکی است. هم افزایی بین شبکهها، سیستمهای P2P و فناوریهای عامل، کلید سیستمهای دادهمحور و دانش محور در محیطهای مقیاس بزرگ است. این، هشتمین شماره تراکنشهای سیستمهای دادهمحور و دانشمحور در مقیاس بزرگ، شامل هشت مقاله منظم منتخب اصلاحشده با تمرکز بر موضوعات زیر است: انبار دادههای مقیاسپذیر از طریق MapReduce، مدلهای چند بعدی توسعهیافته OLAP، موتورهای ساده OLAP و بهینهسازی آنها، پیشرفته. پردازش و استخراج جریان داده، یادگیری نیمه نظارتی جریانهای داده، الگوبرداری افزایشی بر روی جریانهای داده، استخراج قوانین ارتباطی بر روی جریانهای داده، کشف الگوی مکرر در جریانهای داده.
The LNCS journal Transactions on Large-Scale Data- and Knowledge-Centered Systems focuses on data management, knowledge discovery, and knowledge processing, which are core and hot topics in computer science. Since the 1990s, the Internet has become the main driving force behind application development in all domains. An increase in the demand for resource sharing across different sites connected through networks has led to an evolution of data- and knowledge-management systems from centralized systems to decentralized systems enabling large-scale distributed applications providing high scalability. Current decentralized systems still focus on data and knowledge as their main resource. Feasibility of these systems relies basically on P2P (peer-to-peer) techniques and the support of agent systems with scaling and decentralized control. Synergy between grids, P2P systems, and agent technologies is the key to data- and knowledge-centered systems in large-scale environments. This, the eighth issue of Transactions on Large-Scale Data- and Knowledge-Centered Systems, contains eight revised selected regular papers focusing on the following topics: scalable data warehousing via MapReduce, extended OLAP multidimensional models, naive OLAP engines and their optimization, advanced data stream processing and mining, semi-supervised learning of data streams, incremental pattern mining over data streams, association rule mining over data streams, frequent pattern discovery over data streams.