Advances in Big Data (eBook)
XVII, 348 Seiten
Springer International Publishing (Verlag)
978-3-319-47898-2 (ISBN)
The book offers a timely snapshot of neural network technologies as a significant component of big data analytics platforms. It promotes new advances and research directions in efficient and innovative algorithmic approaches to analyzing big data (e.g. deep networks, nature-inspired and brain-inspired algorithms); implementations on different computing platforms (e.g. neuromorphic, graphics processing units (GPUs), clouds, clusters); and big data analytics applications to solve real-world problems (e.g. weather prediction, transportation, energy management). The book, which reports on the second edition of the INNS Conference on Big Data, held on October 23-25, 2016, in Thessaloniki, Greece, depicts an interesting collaborative adventure of neural networks with big data and other learning technologies.
Predicting human behavior based on web search activity: Greek referendum of 2015.- Compact Video Description and Representation for Automated Summarization of Human Activities.- Attribute Learning for Network Intrusion Detection.- A Fast Deep Convolutional Neural Network for face detection in Big Visual Data.- Learning Symbols by Neural Network.- Designing HMMs models in the age of Big Data.- Extended Formulations for Online Action Selection on Big Action Sets.- Multi-Task Deep Neural Networks for Automated Extraction of Primary Site and Laterality Information from Cancer Pathology Reports.- An infrastructure and approach for infering knowledge over Big Data in the Vehicle Insurance Industry.- Unified Retrieval Model of Big Data.- Adaptive Elitist Differential Evolution Extreme Learning Machines on Big Data: Intelligent Recognition of Invasive Species.
Erscheint lt. Verlag | 20.10.2016 |
---|---|
Reihe/Serie | Advances in Intelligent Systems and Computing | Advances in Intelligent Systems and Computing |
Zusatzinfo | XVII, 348 p. 101 illus. |
Verlagsort | Cham |
Sprache | englisch |
Themenwelt | Mathematik / Informatik ► Informatik ► Datenbanken |
Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik | |
Technik | |
Schlagworte | ANNS • Autonomous, Online, Incremental Learning In Big Data • Big Data Analytics • Big Data And Cloud Computing • Big Data Streams Analytics • Cognitive Modeling And Big Data • Deep Neural Network Learning • Deep Reinforcement Learning • Evolutionary Systems And Big Data • Evolving Systems For Big Data Analytics • Fuzzy Data Analysis • Information Propagation Analysis • INNS-BigData 2016 • Learning Algorithms Streaming Data • Neuromorphic Hardware • Online Learning • Online Social Networks • Recommendation Systems/Collaborative Filtering For Big Data • Scalable Algorithms For Big Data • systems neuroscience |
ISBN-10 | 3-319-47898-2 / 3319478982 |
ISBN-13 | 978-3-319-47898-2 / 9783319478982 |
Haben Sie eine Frage zum Produkt? |
Größe: 30,6 MB
DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.
Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich