多粒度大數據分析方法-以引領樹和雲模型為例 9787030749857 徐計 王國胤 李天瑞 鄧偉輝
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：科學
物品所在地：中國大陸
原出版社：科學
NT$1,075
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202309*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：多粒度大數據分析方法-以引領樹和雲模型為例 ISBN：9787030749857 出版社：科學 著編譯者：徐計 王國胤 李天瑞 鄧偉輝 叢書名：公共大數據國家重點實驗室學術專著 頁數：192 所在地：中國大陸 *此為代購商品 書號：1586729 可大量預訂，請先連絡。 內容簡介 在大數據時代，數據的獲取、傳輸和存儲融入了人類生產生活的方方面面，而大數據核心價值體現為人們對數據的分析、理解與應用。面對如此海量、高速和異構的數據，僅靠人類的認知和理解能力遠不能滿足價值發現的需要。同時，計算機總是針對最細粒度數據進行選代優化的求解模式在特定場景下也不能滿足數據分析的時限需求。粒計算作為一種模擬人類知識表示和問題求解的近似數據分析範式，其優點在於解決問題時能夠選擇合適粒度，達到求解精度和計算時效的最佳平衡。所以，粒計算通常能夠以更高的效率獲得「有效解」。本書以引領樹和雲模型作為數據多粒度表示的基本方法，系統地展示了引領樹和雲模型在大數據多粒度聚類、數據流即時聚類、半監督學習和時間序列預測等大數據分析場景中的理論研究成果及應用案例。 本書可供計算機科學與技術、數據科學與大數據技術、智能科學與技術、軟體工程、自動化、管理科學與工程等相關專業高年級本科生和研究生及教師和工程技術人員參考。目錄 序前言 本書常用記號 第1章 緒論 1 1 大數據 1 1 1 大數據的定義 1 1 2 大數據處理研究現狀 1 2 基於粒計算的大數據分析 1 2 1 粒計算概述 1 2 2 粒計算在大數據分析中的優勢 1 2 3 大數據的粒計算分析框架 1 3 本章小結 參考文獻 第2章 預備知識 2 1 基於密度峰值的聚類 2 1 1 DPC中心的特徵 2 1 2 中心點和異常點特徵 2 1 3 演算法步驟 2 1 4 與其他聚類方法的對比分析 2 2 雲模型簡介 2 2 1 雲模型的定義 2 2 2 高斯雲模型 2 3 學習過程的效率評價 2 3 1 時間複雜性 2 3 2 空間複雜性 2 4 學習結果的準確性評價 2 4 1 聚類評價 2 4 2 分類評價 2 4 3 回歸分析評價 2 5 本章小結 參考文獻 第3章 基於引領樹的高效多粒度聚類 3 1 引言 3 2 DenPEHC演算法 3 2 1 DPC中γ參數曲線的分析 3 2 2 聚類中心點的自動選擇 3 2 3 DPC中的引領樹 3 2 4 DenPEHC演算法描述 3 2 5 異常點檢測 3 2 6 複雜性分析 3 3 海量高維數據的DenPEHC聚類 3 3 2 DenPEHC-LSHD演算法 3 3 3 類別屬性取值的距離度量 3 3 4 子集規模的確定 3 3 5 水平粒化的加速效應 3 4 實驗及結果分析 3 4 1 實驗環境與數據集 3 4 2 實驗結果與分析 3 5 本章小結 參考文獻 第4章 基於胖節點引領樹和密度峰值的數據流聚類 4 1 引言 4 2 引領樹結構中的偏序關係 4 3 2 異常點檢測 4 3 4 概念漂移檢測 4 3 5 數據老化與弱節點刪除 4 4 複雜性分析 4 5 實驗及結果分析 4 5 1 實驗環境與數據集 4 5 2 實驗結果與分析 4 6 本章小結 參考文獻 第5章 基於引領樹的最優粒化和流形信息粒表示 5 1 引言 5 2 基於局部密度的最優粒化 5 3 信息粒的流形描述 5 3 1 信息粒的流形描述子構建 5 3 2 從流形描述子重建數據 5 3 3 流形描述子的評價 5 4 LoDOG信息粒的可解釋性 5 5 複雜性分析 5 5 1 LoDOG複雜性分析 5 5 2 關於流形描述子的複雜性 5 5 3 與其他研究工作的關係 5 6 實驗及結果分析 5 6 1 實驗環境與數據集 5 6 2 實驗結果與分析 5 7 本章小結 參考文獻 第6章 最優引領森林上的非迭代式標籤傳播 6 1 引言 6 2 最優引領森林上的標籤傳播 6 2 1 LaPOLeaF標籤傳播的三階段分析 6 2 2 LaPOLeaF演算法 6 3 新增數據的快速學習 6 4 針對大數據的LaPOLeaF 6 4 1 分治法與并行計算策略 6 4 2 使用LSH的近似計算方法 6 5 分析與討論 6 5 1 複雜性分析 6 5 2 與其他方法的關係討論 6 6 實驗及結果分析 6 6 1 實驗環境與數據集 6 6 2 實驗結果與分析 6 6 3 ImageNet2012數據子集 6 7 LaPOLeaF在水質預測中的應用 6 8 本章小結 參考文獻 第7章 基於二維正態雲的時間序列粒化降維 7 1 引言 7 2 分段二維正態雲表示方法 7 3 基於2D-NCR的時間序列相似性度量 7 4 時間複雜度分析 7 5 實驗及結果分析 7 5 1 實驗設置 7 5 2 時間序列分類實驗 7 5 3 時間序列聚類實驗 7 6 本章小結 參考文獻 第8章 基於高斯雲變換和模糊時間序列的多粒度水質預測 8 1 引言 8 2 高斯雲變換 8 3 多粒度水質預測模型 8 3 1 論域分區 8 3 2 近似周期性 8 3 3 模糊時間序列預測模型 8 3 4 自適應期望模型 8 4 實驗及結果分析 8 4 1 實驗數據集 8 4 2 實驗設置 8 4 3 DO預測實驗 8 4 4 CODMn指數預測實驗 8 5 本章小結 參考文獻 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
