کتاب Noise Filtering for Big Data Analytics

وضعیت موجودی موجود

مقایسه شود

قیمت قبلی: 4,000,000 ریال

قیمت: 3,600,000 ریال

جلد سخت سیاه و سفید

Product details

Publisher ‏ : ‎ De Gruyter (May 31, 2022)
Language ‏ : ‎ English
Hardcover ‏ : ‎ 240 pages
ISBN-10 ‏ : ‎ 3110697092
ISBN-13 ‏ : ‎ 978-3110697094

This book explains how to perform data de-noising, in large scale, with a satisfactory level of accuracy. Three main issues are considered. Firstly, how to eliminate the error propagation from one stage to next stages while developing a filtered model. Secondly, how to maintain the positional importance of data whilst purifying it. Finally, preservation of memory in the data is crucial to extract smart data from noisy big data. If, after the application of any form of smoothing or filtering, the memory of the corresponding data changes heavily, then the final data may lose some important information. This may lead to wrong or erroneous conclusions. But, when anticipating any loss of information due to smoothing or filtering, one cannot avoid the process of denoising as on the other hand any kind of analysis of big data in the presence of noise can be misleading. So, the entire process demands very careful execution with efficient and smart models in order to effectively deal with it.

منابع کتاب کتاب Noise Filtering for Big Data Analytics

این کتاب نحوه انجام نویز زدایی داده ها را در مقیاس بزرگ با سطح دقت رضایت بخشی توضیح می دهد. سه موضوع اصلی در نظر گرفته شده است. ابتدا نحوه حذف انتشار خطا از یک مرحله به مراحل بعدی در حین توسعه یک مدل فیلتر شده. ثانیا، چگونه می توان اهمیت موقعیتی داده ها را در حین پاکسازی آنها حفظ کرد. در نهایت، حفظ حافظه در داده ها برای استخراج داده های هوشمند از داده های بزرگ پر سر و صدا بسیار مهم است. اگر پس از اعمال هر شکلی از صاف کردن یا فیلتر کردن، حافظه داده های مربوطه به شدت تغییر کند، ممکن است داده های نهایی برخی از اطلاعات مهم را از دست بدهند. این ممکن است منجر به نتایج اشتباه یا اشتباه شود. اما، هنگام پیش بینی هرگونه از دست دادن اطلاعات به دلیل صاف کردن یا فیلتر کردن، نمی توان از فرآیند حذف نویز اجتناب کرد زیرا از سوی دیگر هر نوع تجزیه و تحلیل داده های بزرگ در حضور نویز می تواند گمراه کننده باشد. بنابراین، کل فرآیند نیاز به اجرای بسیار دقیق با مدل‌های کارآمد و هوشمند برای مقابله مؤثر با آن دارد.