دانلود کتاب Bio-inspired Algorithms for Data Streaming and Visualization, Big Data Management, and Fog Computing (به فارسی: الگوریتم‌های الهام‌گرفته از زیستی برای جریان داده و تجسم، مدیریت داده‌های بزرگ و محاسبات مه) نوشته شده توسط «Simon James Fong – Richard C. Millham»
اطلاعات کتاب الگوریتم‌های الهام‌گرفته از زیستی برای جریان داده و تجسم، مدیریت داده‌های بزرگ و محاسبات مه
موضوع اصلی: کامپیوترها
نوع: کتاب الکترونیکی
ناشر: Springer Singapore;Springer
نویسنده: Simon James Fong – Richard C. Millham
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 228
حجم فایل: 5.06 مگابایت
کد کتاب: 981156695X , 9789811566950
نوبت چاپ: 1st ed.
توضیحات کتاب الگوریتم‌های الهام‌گرفته از زیستی برای جریان داده و تجسم، مدیریت داده‌های بزرگ و محاسبات مه
هدف این کتاب ارائه اطلاعاتی در مورد الگوریتم‌های الهام‌گرفته از زیست‌شناسی اخیراً توسعه‌یافته در روندهای نوظهور اخیر محاسبات مه، تجزیه و تحلیل احساسات، و جریان داده‌ها و همچنین ارائه رویکردی جامع‌تر به دنیای بزرگ است. مدیریت داده ها از پیش پردازش گرفته تا تجزیه و تحلیل و مراحل تجسم. حوزه موضوعی این کتاب در قلمرو علوم کامپیوتر، به ویژه الگوریتم‌ها (الگوریتم‌های فراابتکاری و به‌ویژه، الگوریتم‌های الهام‌گرفته از زیستی) است. اگرچه ممکن است به حوزه های کاربردی این الگوریتم های جدید اشاره شود، دامنه این کتاب بر روی کاربرد الگوریتم ها در حوزه های خاص یا عمومی نیست، بلکه به منظور ارائه به روز رسانی در مورد روندهای تحقیقاتی اخیر برای الگوریتم های الهام گرفته از زیستی در یک حوزه کاربردی خاص یا حوزه در حال ظهور است. . این حوزه ها شامل جریان داده، محاسبات مه، و مراحل مدیریت کلان داده است. یکی از دلایل نگارش این کتاب این است که رویکرد الهام گرفته از زیستی چندان مورد توجه قرار نمی گیرد، اما از نظر رویکرد به بسیاری از مسائل در کلان داده و جریان، نوید و تنوع قابل توجهی را نشان می دهد. برخی از رویکردهای جدید این کتاب استفاده از این الگوریتم‌ها در تمام مراحل مدیریت داده‌ها (نه فقط یک مرحله خاص مانند داده‌کاوی یا هوش تجاری که بسیاری از کتاب‌ها روی آن تمرکز دارند) است. نمایش موثر اثربخشی یک الگوریتم انتخاب شده در یک فصل در برابر الگوریتم های مقایسه ای با استفاده از روش تجربی. یکی دیگر از رویکردهای جدید، مروری کوتاه و ارزیابی الگوریتم‌های سنتی، متوالی و موازی، برای استفاده در داده‌کاوی، به منظور ارائه نمای کلی از الگوریتم‌های موجود در حال استفاده است. این بررسی اجمالی مکمل فصل دیگری در مورد الگوریتم های الهام گرفته شده از زیست برای داده کاوی است تا خوانندگان را قادر می سازد تا الگوریتم مناسب تری را برای داده کاوی در یک زمینه خاص انتخاب کنند. در تمام فصول، منابعی برای مطالعه بیشتر ارائه شده است و در فصول منتخب، نویسنده ایده هایی برای تحقیقات آتی نیز درج کرده است.
This book aims to provide some insights into recently developed bio-inspired algorithms within recent emerging trends of fog computing, sentiment analysis, and data streaming as well as to provide a more comprehensive approach to the big data management from pre-processing to analytics to visualization phases. The subject area of this book is within the realm of computer science, notably algorithms (meta-heuristic and, more particularly, bio-inspired algorithms). Although application domains of these new algorithms may be mentioned, the scope of this book is not on the application of algorithms to specific or general domains but to provide an update on recent research trends for bio-inspired algorithms within a specific application domain or emerging area. These areas include data streaming, fog computing, and phases of big data management. One of the reasons for writing this book is that the bio-inspired approach does not receive much attention but shows considerable promise and diversity in terms of approach of many issues in big data and streaming. Some novel approaches of this book are the use of these algorithms to all phases of data management (not just a particular phase such as data mining or business intelligence as many books focus on); effective demonstration of the effectiveness of a selected algorithm within a chapter against comparative algorithms using the experimental method. Another novel approach is a brief overview and evaluation of traditional algorithms, both sequential and parallel, for use in data mining, in order to provide an overview of existing algorithms in use. This overview complements a further chapter on bio-inspired algorithms for data mining to enable readers to make a more suitable choice of algorithm for data mining within a particular context. In all chapters, references for further reading are provided, and in selected chapters, the author also include ideas for future research.
