掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
大數據挖掘的原理與方法--基于粒計算與粗糙集的視角 版權信息
- ISBN：9787030483683
- 條形碼：9787030483683 ; 978-7-03-048368-3
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
大數據挖掘的原理與方法--基于粒計算與粗糙集的視角 本書特色
現代信息社會已經邁入大數據時代，但大數據給人們帶來了前所未有的挑戰，如何有效地從動態變化，結構化、半結構化和非結構化等多模態數據共存的大數據中進行高效實時的數據挖掘并發現有價值知識已成為當前信息科學領域亟待解決的問題。本書針對大數據呈現的體量巨大、多源異構、動態性和不確定性等特點，以粒計算理論為基礎，以典型粗糙集模型為對象，以增量學習技術為手段，以云計算并行框架為支撐平臺，構建大數據分析與挖掘的原理和方法及其算法，并融入了相關領域學者在動態知識發現、數據融合和大數據并行處理等成果，力圖展現基于粒計算和粗糙集視角處理大數據的**進展。
大數據挖掘的原理與方法--基于粒計算與粗糙集的視角 內容簡介
現代信息社會已經邁入大數據時代，但大數據給人們帶來了的挑戰，如何有效地從動態變化，結構化、半結構化和非結構化等多模態數據共存的大數據中進行高效實時的數據挖掘并發現有價值知識已成為當前信息科學領域亟待解決的問題！洞髷祿诰虻脑砼c方法——基于粒計算與粗糙集的視角》針對大數據呈現的體量巨大、多源異構、動態性和不確定性等特點，以粒計算理論為基礎，以典型粗糙集模型為對象，以增量學習技術為手段，以云計算并行框架為支撐平臺，構建大數據分析與挖掘的原理和方法及其算法，并融入了相關領域學者在動態知識發現、數據融合和大數據并行處理等成果，力圖展現基于粒計算和粗糙集視角處理大數據的進展。
大數據挖掘的原理與方法--基于粒計算與粗糙集的視角 目錄
目錄
第1章 緒論1
1.1大數據及其挖掘技術1
1.2粒計算理論6
1.3粗糙集理論8
1.4基于粒計算與粗糙集的數據挖掘11
1.4.1面向海量數據的數據挖掘11
1.4.2面向動態數據的數據挖掘12
1.4.3面向復雜數據的數據挖掘14
1.5本章小結15
第2章 預備知識16
2.1經典粗糙集模型16
2.2面向復雜數據的擴展粗糙集模型18
2.2.1鄰域粗糙集模型18
2.2.2集值粗糙集模型20
2.2.3不完備粗糙集模型20
2.3面向有噪聲數據的概率粗糙集模型22
2.3.10.5概率粗糙集模型22
2.3.2決策粗糙集模型23
2.3.3變精度粗糙集模型23
2.4屬性約簡24
2.4.1屬性約簡的基本框架24
2.4.2啟發式屬性約簡25
2.4.3不協調屬性約簡29
2.5粒度度量31
2.6本章小結32
第3章 并行大規模特征選擇33
3.1并行特征提取方法33
3.1.1模型并行方法33
3.1.2數據并行方法34
3.1.3模型-數據并行方法35
3.2并行特征提取算法35
3.2.1評價函數的統一表示36
3.2.2評價函數的分治方法36
3.2.3基于MapReduce的并行屬性約簡算法39
3.2.4基于Spark的并行屬性約簡算法43
3.2.5基于粒計算的并行屬性約簡加速算法44
3.3實驗分析46
3.3.1數據集和實驗平臺47
3.3.2與串行算法的對比47
3.3.3不同并行算法的對比51
3.3.4高維數據上的表現52
3.3.5天文大數據上的應用53
3.4本章小結54
第4章 近似集動態更新55
4.1知識粒度的變化性質55
4.2基于粒的近似集增量更新方法57
4.2.1等價類特征矩陣58
4.2.2等價類特征矩陣更新原理59
4.2.3基于粒的近似集更新算法61
4.3算例64
4.4算法復雜度分析68
4.5實驗方案及性能分析68
4.5.1實驗方案68
4.5.2實驗結果69
4.6本章小結74
第5章 規則動態更新76
5.1等價類的向量和矩陣表示76
5.2等價類的泛化決策性質77
5.3基于*小辨識屬性集的約簡生成78
5.3.1*小辨識屬性集及其生成算法78
5.3.2屬性重要度矩陣80
5.3.3約簡的生成81
5.3.4算例82
5.4屬性值粗化細化的定義及性質84
5.4.1屬性值粗化細化的定義84
5.4.2決策信息系統的動態性質85
5.4.3決策規則的動態性質87
5.5屬性值粗化時規則更新原理及算法92
5.5.1屬性值粗化時規則更新原理92
5.5.2屬性值粗化時規則更新算法95
5.5.3算例97
5.6屬性值細化時規則更新原理及算法99
5.6.1屬性值細化時規則更新原理99
5.6.2屬性值細化時規則更新算法102
5.6.3算例104
5.7算法復雜度分析106
5.8實驗方案及性能比較109
5.8.1實驗方案109
5.8.2實驗結果110
5.9本章小結113
第6章 面向缺失數據的動態概率粗糙集方法114
6.1面向缺失數據的概率粗糙集模型115
6.2面向對象更新的動態概率粗糙集方法115
6.2.1條件概率的增量估計策略115
6.2.2概率粗糙近似集的增量更新方法121
6.3算法設計與分析123
6.4算例128
6.5實驗方案與性能分析130
6.5.1實驗方案131
6.5.2性能分析132
6.6本章小結139
第7章 復雜數據融合與高效學習算法141
7.1復合粗糙集模型141
7.2近似集的矩陣表示方法144
7.2.1基于矩陣運算的近似集構造方法144
7.2.2基于布爾矩陣的近似集表示方法146
7.2.3基于布爾矩陣的近似集計算方法147
7.3算法設計與復雜度分析148
7.3.1基于布爾矩陣的近似集計算算法148
7.3.2基于矩陣的近似集計算的批處理算法149
7.4近似集的多核并行計算方法150
7.4.1近似集的并行計算方法151
7.4.2GPU架構與CUDA 152
7.4.3基于Single-GPU的近似集計算算法154
7.4.4基于Multi-GPU的近似集計算算法1 55
7.5實驗分析157
7.5.1實驗設置157
7.5.2批處理算法的性能158
7.5.3 GPU算法的性能159
7.5.4 Multi-GPU算法的性能161
7.6本章小結163
參考文獻164
第1章 緒論1
1.1大數據及其挖掘技術1
1.2粒計算理論6
1.3粗糙集理論8
1.4基于粒計算與粗糙集的數據挖掘11
1.4.1面向海量數據的數據挖掘11
1.4.2面向動態數據的數據挖掘12
1.4.3面向復雜數據的數據挖掘14
1.5本章小結15
第2章 預備知識16
2.1經典粗糙集模型16
2.2面向復雜數據的擴展粗糙集模型18
2.2.1鄰域粗糙集模型18
2.2.2集值粗糙集模型20
2.2.3不完備粗糙集模型20
2.3面向有噪聲數據的概率粗糙集模型22
2.3.10.5概率粗糙集模型22
2.3.2決策粗糙集模型23
2.3.3變精度粗糙集模型23
2.4屬性約簡24
2.4.1屬性約簡的基本框架24
2.4.2啟發式屬性約簡25
2.4.3不協調屬性約簡29
2.5粒度度量31
2.6本章小結32
第3章 并行大規模特征選擇33
3.1并行特征提取方法33
3.1.1模型并行方法33
3.1.2數據并行方法34
3.1.3模型-數據并行方法35
3.2并行特征提取算法35
3.2.1評價函數的統一表示36
3.2.2評價函數的分治方法36
3.2.3基于MapReduce的并行屬性約簡算法39
3.2.4基于Spark的并行屬性約簡算法43
3.2.5基于粒計算的并行屬性約簡加速算法44
3.3實驗分析46
3.3.1數據集和實驗平臺47
3.3.2與串行算法的對比47
3.3.3不同并行算法的對比51
3.3.4高維數據上的表現52
3.3.5天文大數據上的應用53
3.4本章小結54
第4章 近似集動態更新55
4.1知識粒度的變化性質55
4.2基于粒的近似集增量更新方法57
4.2.1等價類特征矩陣58
4.2.2等價類特征矩陣更新原理59
4.2.3基于粒的近似集更新算法61
4.3算例64
4.4算法復雜度分析68
4.5實驗方案及性能分析68
4.5.1實驗方案68
4.5.2實驗結果69
4.6本章小結74
第5章 規則動態更新76
5.1等價類的向量和矩陣表示76
5.2等價類的泛化決策性質77
5.3基于*小辨識屬性集的約簡生成78
5.3.1*小辨識屬性集及其生成算法78
5.3.2屬性重要度矩陣80
5.3.3約簡的生成81
5.3.4算例82
5.4屬性值粗化細化的定義及性質84
5.4.1屬性值粗化細化的定義84
5.4.2決策信息系統的動態性質85
5.4.3決策規則的動態性質87
5.5屬性值粗化時規則更新原理及算法92
5.5.1屬性值粗化時規則更新原理92
5.5.2屬性值粗化時規則更新算法95
5.5.3算例97
5.6屬性值細化時規則更新原理及算法99
5.6.1屬性值細化時規則更新原理99
5.6.2屬性值細化時規則更新算法102
5.6.3算例104
5.7算法復雜度分析106
5.8實驗方案及性能比較109
5.8.1實驗方案109
5.8.2實驗結果110
5.9本章小結113
第6章 面向缺失數據的動態概率粗糙集方法114
6.1面向缺失數據的概率粗糙集模型115
6.2面向對象更新的動態概率粗糙集方法115
6.2.1條件概率的增量估計策略115
6.2.2概率粗糙近似集的增量更新方法121
6.3算法設計與分析123
6.4算例128
6.5實驗方案與性能分析130
6.5.1實驗方案131
6.5.2性能分析132
6.6本章小結139
第7章 復雜數據融合與高效學習算法141
7.1復合粗糙集模型141
7.2近似集的矩陣表示方法144
7.2.1基于矩陣運算的近似集構造方法144
7.2.2基于布爾矩陣的近似集表示方法146
7.2.3基于布爾矩陣的近似集計算方法147
7.3算法設計與復雜度分析148
7.3.1基于布爾矩陣的近似集計算算法148
7.3.2基于矩陣的近似集計算的批處理算法149
7.4近似集的多核并行計算方法150
7.4.1近似集的并行計算方法151
7.4.2GPU架構與CUDA 152
7.4.3基于Single-GPU的近似集計算算法154
7.4.4基于Multi-GPU的近似集計算算法1 55
7.5實驗分析157
7.5.1實驗設置157
7.5.2批處理算法的性能158
7.5.3 GPU算法的性能159
7.5.4 Multi-GPU算法的性能161
7.6本章小結163
參考文獻164
展開全部
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
李白與唐代文化
- >
推拿
- >
山海經
- >
名家帶你讀魯迅:朝花夕拾
- >
伯納黛特,你要去哪(2021新版)
- >
史學評論
本類暢銷
