دانلود کتاب درختان تصمیم گیری تکاملی در داده کاوی در مقیاس بزرگ بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Evolutionary Decision Trees in Large-Scale Data Mining
ویرایش : 1st ed.
عنوان ترجمه شده به فارسی : درختان تصمیم گیری تکاملی در داده کاوی در مقیاس بزرگ
سری : Studies in Big Data 59
نویسندگان : Marek Kretowski
ناشر : Springer International Publishing
سال نشر : 2019
تعداد صفحات : XI, 180
[184]
ISBN (شابک) : 9783030218508
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 5 Mb
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این کتاب یک چارچوب یکپارچه را بر اساس الگوریتمهای تکاملی تخصصی برای القای جهانی انواع مختلف درختهای طبقهبندی و رگرسیون از دادهها ارائه میکند. درختان تک متغیره یا مورب حاصل به طور قابل توجهی کوچکتر از آنهایی هستند که با روشهای استاندارد از بالا به پایین تولید می شوند، جنبه ای که برای تفسیر الگوهای استخراج شده توسط تحلیلگران دامنه حیاتی است. رویکرد ارائه شده در اینجا بسیار انعطاف پذیر است و می تواند به راحتی با برنامه های خاص داده کاوی سازگار شود، به عنوان مثال. درختان مدل حساس به هزینه برای داده های مالی یا درختان چند آزمون برای داده های بیان ژن. استقرا جهانی را می توان به طور موثر بر روی داده های مقیاس بزرگ بدون نیاز به منابع فوق العاده اعمال کرد. با یک شتاب ساده مبتنی بر GPU، مجموعه داده های متشکل از میلیون ها نمونه را می توان در چند دقیقه استخراج کرد. در صورتی که اندازه مجموعههای داده، سریعترین محاسبات حافظه را غیرممکن کند، پیادهسازی مبتنی بر Spark بر روی خوشههای کامپیوتری، که تحمل خطا و پتانسیل مقیاسپذیری قابلتوجهی را ارائه میدهد، میتواند اعمال شود.
This book presents a unified framework, based on specialized evolutionary algorithms, for the global induction of various types of classification and regression trees from data. The resulting univariate or oblique trees are significantly smaller than those produced by standard top-down methods, an aspect that is critical for the interpretation of mined patterns by domain analysts. The approach presented here is extremely flexible and can easily be adapted to specific data mining applications, e.g. cost-sensitive model trees for financial data or multi-test trees for gene expression data. The global induction can be efficiently applied to large-scale data without the need for extraordinary resources. With a simple GPU-based acceleration, datasets composed of millions of instances can be mined in minutes. In the event that the size of the datasets makes the fastest memory computing impossible, the Spark-based implementation on computer clusters, which offers impressive fault tolerance and scalability potential, can be applied.