Compartir
Approccio di Data Mining Basato Sullo Stream Mining (en Italiano)
Shylaja S (Autor)
·
Edizioni Sapienza
· Tapa Blanda
Approccio di Data Mining Basato Sullo Stream Mining (en Italiano) - Shylaja S
$ 96.53
$ 134.07
Ahorras: $ 37.54
Elige la lista en la que quieres agregar tu producto o crea una nueva lista
✓ Producto agregado correctamente a la lista de deseos.
Ir a Mis Listas
Origen: Estados Unidos
(Costos de importación incluídos en el precio)
Se enviará desde nuestra bodega entre el
Viernes 19 de Julio y el
Viernes 26 de Julio.
Lo recibirás en cualquier lugar de Internacional entre 1 y 3 días hábiles luego del envío.
Reseña del libro "Approccio di Data Mining Basato Sullo Stream Mining (en Italiano)"
Il clustering è una delle tecniche più importanti del data mining. Ha lo scopo di suddividere i dati in gruppi di oggetti simili. Questo viene definito cluster. Questa ricerca confronta l'algoritmo StreamKM++ con i lavori esistenti, come AP, IAPKM e IAPNA. L'algoritmo StreamKM++ è un nuovo algoritmo di clustering del flusso di dati e costruisce un buon clustering del flusso, utilizzando una piccola quantità di memoria e di tempo.Molti ricercatori hanno svolto il loro lavoro con un algoritmo di clustering statico, ma in tempo reale i dati sono di natura dinamica. Come i blog, le pagine web, gli audio e i video, ecc... Per questo motivo, la tecnica statica convenzionale non supporta l'ambiente in tempo reale. In questo lavoro, viene utilizzato l'algoritmo StreamKM++ che raggiunge elevate prestazioni di clustering rispetto ai tradizionali AP, IAPKM e IAPNA. I risultati sperimentali mostrano che l'algoritmo StreamKM++ ottiene il miglior risultato rispetto ai lavori esistenti. Ha aumentato il tasso di accuratezza medio e ha ridotto il tempo di calcolo, la memoria e il numero di iterazioni.
- 0% (0)
- 0% (0)
- 0% (0)
- 0% (0)
- 0% (0)
Todos los libros de nuestro catálogo son Originales.
El libro está escrito en Italiano.
La encuadernación de esta edición es Tapa Blanda.
✓ Producto agregado correctamente al carro, Ir a Pagar.
