Compartir
Data-Mining-Basierter Stream-Mining-Ansatz (en Alemán)
Shylaja S (Autor)
·
Verlag Unser Wissen
· Tapa Blanda
Data-Mining-Basierter Stream-Mining-Ansatz (en Alemán) - 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 "Data-Mining-Basierter Stream-Mining-Ansatz (en Alemán)"
Das Clustering ist eine der wichtigsten Techniken im Data Mining. Sie zielt darauf ab, die Daten in Gruppen ähnlicher Objekte aufzuteilen. Dies wird als Cluster bezeichnet. Diese Forschung vergleicht den StreamKM++ Algorithmus mit den bestehenden Arbeiten, wie AP, IAPKM und IAPNA. Der StreamKM++-Algorithmus ist ein neuer Clustering-Algorithmus für Datenströme, der mit geringem Speicher- und Zeitaufwand ein gutes Clustering des Datenstroms erstellt.Viele Forscher haben mit statischen Clustering-Algorithmen gearbeitet, aber in Echtzeit sind die Daten dynamischer Natur. Wie z.B. Blogs, Webseiten, Audio- und Videodaten, usw., daher ist die konventionelle statische Technik in einer Echtzeitumgebung nicht geeignet. In dieser Arbeit wird der StreamKM++-Algorithmus verwendet, der eine hohe Clustering-Leistung im Vergleich zu traditionellen AP, IAPKM und IAPNA erreicht. Das experimentelle Ergebnis zeigt, dass der StreamKM++-Algorithmus im Vergleich zu bestehenden Arbeiten das beste Ergebnis erzielt. Er hat die durchschnittliche Genauigkeitsrate erhöht und die Rechenzeit, den Speicher und die Anzahl der Iterationen reduziert.
- 0% (0)
- 0% (0)
- 0% (0)
- 0% (0)
- 0% (0)
Todos los libros de nuestro catálogo son Originales.
El libro está escrito en Alemán.
La encuadernación de esta edición es Tapa Blanda.
✓ Producto agregado correctamente al carro, Ir a Pagar.
