Sie sind hier: Startseite » EDV / Informatik

Deep Learning: Convergence to Big Data Analytics

Deep Learning: Convergence to Big Data Analytics.
Urheber: Khan, Murad; Jan, Bilal; Farman, Haleem
Verlag: Springer Singapore. 23,5 x 15,5 cm. 18 Abbildungen, farbig, 9 Abbildungen, schwarz-weiß. Seiten: 79.
ISBN-13: 9789811334580.
Erscheinungsdatum: 10.01.2019


Dieses Buch stellt Techniken, Konzepte und Algorithmen zum tiefen Lernen vor, um große Datenmengen zu klassifizieren und zu analysieren. Darüber hinaus bietet es ein einführendes Verständnis der neuen Programmiersprachen und Werkzeuge zur Analyse großer Datenmengen in Echtzeit, wie Hadoop, SPARK und GRAPHX. Die Big Data Analytik mit traditionellen Techniken steht vor verschiedenen Herausforderungen, wie z.B. der schnellen, genauen und effizienten Verarbeitung großer Daten in Echtzeit. Darüber hinaus nimmt das Internet der Dinge in verschiedenen Bereichen wie Smart Cities, Smart Homes und E-Health zunehmend zu. Da die enorme Anzahl der angeschlossenen Geräte täglich große Datenmengen erzeugt, benötigen wir ausgefeilte Algorithmen, um diese Daten in kürzerer Zeit und auf geringerem Raum zu verarbeiten, zu organisieren und zu klassifizieren. Ebenso haben bestehende Techniken und Algorithmen für das Tiefenlernen im großen Datenfeld mehrere Vorteile dank der beiden Hauptzweige des Tiefenlernens, nämlich Faltungsnetzwerke und Netzwerke mit tiefem Glauben. Dieses Buch bietet Einblicke in diese Techniken und Anwendungen, die auf diesen beiden Arten des tiefen Lernens basieren. Darüber hinaus hilft es Studenten, Forschern und Neueinsteigern, Big Data Analytics auf der Grundlage von Deep Learning-Ansätzen zu verstehen. Es werden auch verschiedene maschinelle Lerntechniken in Verbindung mit dem Deep-Learning-Paradigma zur Unterstützung von High-End-Datenverarbeitung, Datenklassifikationen und Echtzeit-Datenverarbeitung diskutiert. Die Klassifizierung und Präsentation ist recht einfach gehalten, um den Lesern und Studenten zu helfen, die Grundkonzepte verschiedener Deep-Learning-Paradigmen und Frameworks zu verstehen. Es konzentriert sich hauptsächlich auf die Theorie und nicht auf den mathematischen Hintergrund der Konzepte des Deep Learning. Das Buch besteht aus 5 Kapiteln, beginnend mit einer einführenden Erklärung von Big Data und Deep Learning Techniken, gefolgt von der Integration von Big Data und Deep Learning Techniken und schließlich den zukünftigen Richtungen.

Inhalt:
Datenbanken
Algorithmen und Datenstrukturen
Datenbankprogrammierung
Datenbanken
Künstliche Intelligenz

Künstliche Intelligenz; Deep Learning; Big Data Analytik; Neuronale Netze; Internet der Dinge