ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Computational and Statistical Methods for Analysing Big Data with Applications

دانلود کتاب روش های محاسباتی و آماری برای تجزیه و تحلیل داده های بزرگ با برنامه های کاربردی

Computational and Statistical Methods for Analysing Big Data with Applications

مشخصات کتاب

Computational and Statistical Methods for Analysing Big Data with Applications

ویرایش: 1 
نویسندگان: , , ,   
سری:  
ISBN (شابک) : 0128037326, 0081006519 
ناشر: Academic Press 
سال نشر: 2016 
تعداد صفحات: 195 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت

قیمت کتاب (تومان) : 32,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 15


در صورت تبدیل فایل کتاب Computational and Statistical Methods for Analysing Big Data with 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 روش های محاسباتی و آماری برای تجزیه و تحلیل داده های بزرگ با برنامه های کاربردی 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 روش های محاسباتی و آماری برای تجزیه و تحلیل داده های بزرگ با برنامه های کاربردی



با توجه به مقیاس و پیچیدگی مجموعه‌های داده‌ای که در حال حاضر در زمینه‌هایی مانند بهداشت، حمل‌ونقل، علوم محیطی، مهندسی، فناوری اطلاعات، تجارت و امور مالی جمع‌آوری می‌شوند، تحلیلگران کمی مدرن به دنبال روش‌های محاسباتی و آماری بهبود یافته و مناسب برای کشف هستند. مدل سازی و استنتاج از داده های بزرگ. هدف این کتاب معرفی رویکردهای مناسب برای چنین تلاش هایی، ارائه کاربردها و مطالعات موردی به منظور نمایش است.

روش های محاسباتی و آماری برای تجزیه و تحلیل داده های بزرگ با برنامه ها با مروری بر عصر کلان داده ها شروع می شود. سپس به توضیح روش‌های محاسباتی و آماری می‌پردازد که معمولاً در انقلاب داده‌های بزرگ استفاده می‌شوند. برای هر یک از این روش ها، یک مثال به عنوان راهنمای کاربرد آن ارائه شده است. پنج مطالعه موردی در ادامه ارائه می‌شوند که به ترتیب روی بینایی رایانه با داده‌های آموزشی عظیم، تجزیه و تحلیل داده‌های مکانی، روش‌های طراحی تجربی پیشرفته برای داده‌های بزرگ، کلان داده‌ها در پزشکی بالینی و تجزیه و تحلیل داده‌های جمع‌آوری‌شده از دستگاه‌های تلفن همراه، تمرکز دارند. این کتاب با برخی از افکار نهایی و زمینه های پیشنهادی برای تحقیقات آینده در کلان داده ها به پایان می رسد.

  • روش های محاسباتی و آماری پیشرفته برای تجزیه و تحلیل کلان داده ها توسعه داده شده است.

  • روش‌های طراحی آزمایشی توصیف و پیاده‌سازی می‌شوند تا تجزیه و تحلیل داده‌های بزرگ را از نظر محاسباتی قابل پردازش‌تر کنند.

  • مطالعات موردی مورد بحث قرار گرفته‌اند. برای نشان دادن اجرای روش‌های توسعه‌یافته.

  • پنج حوزه کاربردی با تأثیر بالا مورد مطالعه قرار گرفته‌اند: بینایی رایانه، علوم زمین، تجارت، مراقبت‌های بهداشتی و حمل‌ونقل.

    </ li>

  • کد/برنامه‌های محاسباتی در صورت لزوم ارائه می‌شوند.


توضیحاتی درمورد کتاب به خارجی

Due to the scale and complexity of data sets currently being collected in areas such as health, transportation, environmental science, engineering, information technology, business and finance, modern quantitative analysts are seeking improved and appropriate computational and statistical methods to explore, model and draw inferences from big data. This book aims to introduce suitable approaches for such endeavours, providing applications and case studies for the purpose of demonstration.

Computational and Statistical Methods for Analysing Big Data with Applications starts with an overview of the era of big data. It then goes onto explain the computational and statistical methods which have been commonly applied in the big data revolution. For each of these methods, an example is provided as a guide to its application. Five case studies are presented next, focusing on computer vision with massive training data, spatial data analysis, advanced experimental design methods for big data, big data in clinical medicine, and analysing data collected from mobile devices, respectively. The book concludes with some final thoughts and suggested areas for future research in big data.

  • Advanced computational and statistical methodologies for analysing big data are developed.

  • Experimental design methodologies are described and implemented to make the analysis of big data more computationally tractable.

  • Case studies are discussed to demonstrate the implementation of the developed methods.

  • Five high-impact areas of application are studied: computer vision, geosciences, commerce, healthcare and transportation.

  • Computing code/programs are provided where appropriate.



فهرست مطالب

Content: Front Cover
 Computational and Statistical Methods for Analysing Big Data with Applications
 Copyright Page
 Contents
 List of Figures
 List of Tables
 Acknowledgment
 1 Introduction
 1.1 What is big data?
 1.1.1 Volume
 1.1.2 Velocity
 1.1.3 Variety
 1.1.4 Another two V\'s
 1.2 What is this book about?
 1.3 Who is the intended readership?
 References
 2 Classification methods
 2.1 Fundamentals of classification
 2.1.1 Features and training samples
 Example: Discriminating owners from non-owners of riding mowers
 2.1.2 Probabilities of misclassification and the associated costs 2.1.3 Classification by minimizing the ECMExample: Medical diagnosis
 2.1.4 More than two classes
 2.2 Popular classifiers for analysing big data
 2.2.1 k-Nearest neighbour algorithm
 2.2.2 Regression models
 2.2.3 Bayesian networks
 2.2.4 Artificial neural networks
 2.2.5 Decision trees
 2.3 Summary
 References
 3 Finding groups in data
 3.1 Principal component analysis
 3.2 Factor analysis
 3.3 Cluster analysis
 3.3.1 Hierarchical clustering procedures
 3.3.2 Nonhierarchical clustering procedures
 3.3.3 Deciding on the number of clusters
 3.4 Fuzzy clustering
 Appendix R code for principal component analysis and factor analysisMATLAB code for cluster analysis
 References
 4 Computer vision in big data applications
 4.1 Big datasets for computer vision
 4.2 Machine learning in computer vision
 4.2.1 Feature engineering
 4.2.2 Classifiers
 Regression
 Support vector machine
 Gaussian mixture models
 4.3 State-of-the-art methodology: deep learning
 4.3.1 A single-neuron model
 4.3.2 A multilayer neural network
 4.3.3 Training process of multilayer neural networks
 Feed-forward pass
 Back-propagation pass
 4.4 Convolutional neural networks
 4.4.1 Pooling 4.4.2 Training a CNN4.4.3 An example of CNN in image recognition
 Overall structure of the network
 Data preprocessing
 Prevention of overfitting
 4.5 A tutorial: training a CNN by ImageNet
 4.5.1 Caffe
 4.5.2 Architecture of the network
 Input layer
 Convolutional layer
 Pooling layer
 LRN layer
 Fully-connected layers
 Dropout layers
 Softmax layer
 4.5.3 Training
 4.6 Big data challenge: ILSVRC
 4.6.1 Performance evaluation
 4.6.2 Winners in the history of ILSVRC
 4.7 Concluding remarks: a comparison between human brains and computers
 Acknowledgements
 References 5 A computational method for analysing large spatial datasets5.1 Introduction to spatial statistics
 5.1.1 Spatial dependence
 5.1.2 Cross-variable dependence
 5.1.3 Limitations of conventional approaches to spatial analysis
 5.2 The HOS method
 5.2.1 Cross-variable high-order statistics
 5.2.2 Searching process
 5.2.3 Local CPDF approximation
 5.3 MATLAB functions for the implementation of the HOS method
 5.3.1 Spatial template and searching process
 5.3.2 Higher-order statistics
 5.3.3 Coefficients of Legendre polynomials
 5.3.4 CPDF approximation
 5.4 A case study
 References




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی