This book presents machine learning models and algorithms to address big data classification problems.
Existing machine learning techniques like the decision tree (a hierarchical approach), random forest (an ensemble hierarchical approach), and deep learning (a layered approach) are highly suitable for the system that can handle such problems.
This book helps readers, especially students and newcomers to the field of big data and machine learning, to gain a quick understanding of the techniques and technologies; therefore, the theory, examples, and programs (Matlab and R) presented in this book have been simplified, hardcoded, repeated, or spaced for improvements.
They provide vehicles to test and understand the complicated concepts of various topics in the field.
It is expected that the readers adopt these programs to experiment with the examples, and then modify or write their own programs toward advancing their knowledge for solving more complex and challenging problems.
The presentation format of this book focuses on simplicity, readability, and dependability so that both undergraduate and graduate students as well as new researchers, developers, and practitioners in this field can easily trust and grasp the concepts, and learn them effectively.
It has been written to reduce the mathematical complexity and help the vast majority of readers to understand the topics and get interested in the field.
This book consists of four parts, with the total of 14 chapters.
The first part mainly focuses on the topics that are needed to help analyze and understand data and big data.
The second part covers the topics that can explain the systems required for processing big data.
The third part presents the topics required to understand and select machine learning techniques to classify big data.
Finally, the fourth part concentrates on the topics that explain the scaling-up machine learning, an important solution for modern big data problems.
About the Author Shan Suthaharan is a.
Springer este o companie de editură proeminentă la nivel mondial, specializată în literatura academică și științifică.
Fondată în 1842 la Berlin, Germania, Springer a crescut pentru a deveni unul dintre cei mai mari și mai respectați editori din lume, cu birouri și operațiuni în numeroase țări.
Springer publică o gamă largă de reviste academice, cărți, lucrări de referință și baze de date online care acoperă o gamă largă de discipline, inclusiv știință, tehnologie, medicină, inginerie, matematică, umaniste, științe sociale și afaceri.
Catalogul extins al companiei include: 1.
Reviste: Springer publică mii de reviste academice evaluate de colegi care acoperă un spectru larg de discipline.
Aceste reviste prezintă articole de cercetare originale, recenzii și contribuții academice din partea experților în domeniile lor respective.
Cărți: Springer publică o selecție diversă de cărți, inclusiv manuale, monografii, lucrări de referință și titluri profesionale.
Aceste cărți acoperă o gamă largă de subiecte și se adresează cercetătorilor, studenților, profesioniștilor și practicienilor.
Lucrări de referință: Springer produce lucrări de referință cu autoritate, cum ar fi enciclopedii, manuale, dicționare și atlase, care oferă o acoperire cuprinzătoare a unor subiecte și discipline specifice.
Baze de date online: Springer oferă baze de date și platforme online care oferă acces la vasta sa colecție de conținut academic.
Aceste platforme permit utilizatorilor să caute, să răsfoiască și să acceseze literatură academică, reviste, cărți și materiale de referință.
Springer este cunoscut pentru angajamentul său față de calitate, integritate și inovație în publicarea academică.
Compania lucrează îndeaproape cu autori, editori, recenzori și instituții academice pentru a asigura cele mai înalte standarde de excelență și rigoare academică în publicațiile sale.
Prin urmare, Springer este considerată pe scară largă ca o sursă de încredere de informații academice și o resursă valoroasă pentru cercetători, studenți și profesioniști din întreaga lume.
Springer Machine learning models and algorithms for big data classification: thinking with examples for effective learning, hardcover/shan suthaharan
