Mathematical Problems in Data Science

Mathematical Problems in Data Science.
Theoretical and Practical Methods.
Urheber: Chen, Li M.; Su, Zhixun; Jiang, Bo
Verlag: Springer International Publishing.
23,5 x 15,5 cm. 42 Abbildungen, farbig, 22 Abbildungen, schwarz-weiß. Seiten: 213.
ISBN-13: 9783319797397.
Erscheinungsdatum: 13.03.2019

Dieses Buch beschreibt aktuelle Probleme in der Datenwissenschaft und Big Data. Kernthemen sind Datenklassifizierung, Graph Cut, die Lappländische Matrix, Google Page Rank, effiziente Algorithmen, Härte von Problemen, verschiedene Arten von großen Daten, geometrische Datenstrukturen, topologische Datenverarbeitung und verschiedene Lernmethoden. Für ungelöste Probleme wie unvollständige Datenrelation und Rekonstruktion enthält das Buch Lösungsansätze sowie statistische und rechnerische Methoden zur Datenanalyse. Die ersten Kapitel konzentrieren sich auf die Erforschung der Eigenschaften von unvollständigen Datensätzen und Teilverbundenheit zwischen Datenpunkten oder Datensätzen. Die Diskussionen umfassen auch das Vervollständigungsproblem der Netflix-Matrix, die maschinelle Lernmethode bei massiven Datensätzen, die Bildsegmentierung und die Videosuche. Dieses Buch stellt Software-Tools für die Datenwissenschaft und Big Data wie MapReduce, Hadoop und Spark vor. Dieses Buch besteht aus drei Teilen. Der erste Teil beschäftigt sich mit den grundlegenden Werkzeugen der Datenwissenschaft. Es beinhaltet grundlegende graphentheoretische Methoden, statistische und KI-Methoden für massive Datensätze. Im zweiten Teil konzentrieren sich die Kapitel auf die verfahrenstechnische Behandlung von datenwissenschaftlichen Problemen einschließlich maschineller Lernmethoden, mathematischer Bild- und Videoverarbeitung, topologischer Datenanalyse und statistischer Methoden. Der letzte Abschnitt enthält Fallstudien zu speziellen Themen wie Variationslernen, vielfältiges Lernen, Geschäfts- und Finanzdatengewinnung, geometrische Suche und Rechenmodelle. Mathematische Probleme in der Datenwissenschaft sind eine wertvolle Ressource für Forscher und Fachleute, die in den Bereichen Datenwissenschaft, Informationssysteme und Netzwerke arbeiten. Auch für Fortgeschrittene, die Informatik, Elektrotechnik und Mathematik studieren, sind die Inhalte hilfreich.

Inhalt:
Computernetzwerke und maschinelle Kommunikation
Netzwerk-Hardware
Theoretische Informatik
Mathematik für Informatiker

Geometrische Datenstrukturen; Partielle Konnektivität; Google Page Rank; Datenbeziehungen; Cloud Data Computing; Datenkonnektivität; Datenwissenschaft; Cloud Data Computing; Datenmodellierung; Topologische Datenverarbeitung; Unvollständiger Datensatz; Massive Datenrettung; Big Data