Name: Compression Schemes for Mining Large Datasets: A Machine Learning Perspective (en Inglés)
Price: 68310.00 CLP
Availability: InStock
Author: Ravindra Babu, T. ; Narasimha Murty, M. ; Subrahmanya, S. V.
ISBN: 9781447170556

portada Compression Schemes for Mining Large Datasets: A Machine Learning Perspective (en Inglés)

Formato

Libro Físico

Autor

Editorial

Idioma

Inglés

N° páginas

197

Encuadernación

Tapa Blanda

Dimensiones

23.4 x 15.6 x 1.2 cm

Peso

0.31 kg.

ISBN13

9781447170556

Categorías

Probabilidad y estadística
Data mining: minería de datos
Reconocimiento de formas
Visión por ordenador

Compression Schemes for Mining Large Datasets: A Machine Learning Perspective (en Inglés)

T. Ravindra Babu (Autor) · M. Narasimha Murty (Autor) · S. V. Subrahmanya (Autor) · Springer · Tapa Blanda

Libro Nuevo

$ 68.310

$ 136.620

Ahorras: $ 68.310

50% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Viernes 12 de Julio y el Viernes 19 de Julio.

Lo recibirás en cualquier lugar de Chile entre 1 y 3 días hábiles luego del envío.

Reseña del libro "Compression Schemes for Mining Large Datasets: A Machine Learning Perspective (en Inglés)"

This book addresses the challenges of data abstraction generation using a least number of database scans, compressing data through novel lossy and non-lossy schemes, and carrying out clustering and classification directly in the compressed domain. Schemes are presented which are shown to be efficient both in terms of space and time, while simultaneously providing the same or better classification accuracy. Features: describes a non-lossy compression scheme based on run-length encoding of patterns with binary valued features; proposes a lossy compression scheme that recognizes a pattern as a sequence of features and identifying subsequences; examines whether the identification of prototypes and features can be achieved simultaneously through lossy compression and efficient clustering; discusses ways to make use of domain knowledge in generating abstraction; reviews optimal prototype selection using genetic algorithms; suggests possible ways of dealing with big data problems using multiagent systems.