Ausreißererkennung auf der Grundlage von Clustering über erfasste Daten mit HADOOP
Versandkostenfrei!
Versandfertig in 6-10 Tagen
35,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Ausreißer werden in der Statistik als verrauschte Daten betrachtet und haben sich zu einem wichtigen Problem entwickelt, das in verschiedenen Forschungsbereichen und Anwendungsgebieten erforscht wird. Viele Techniken zur Erkennung von Ausreißern wurden speziell für bestimmte Anwendungsbereiche entwickelt, während einige Techniken eher allgemeiner Natur sind. Einige Anwendungsbereiche werden unter strenger Geheimhaltung erforscht, z. B. die Erforschung von Kriminalität und terroristischen Aktivitäten. Die Analyse von Big Data ist in der heutigen Zeit sehr populär geworden, und die Bearbe...
Ausreißer werden in der Statistik als verrauschte Daten betrachtet und haben sich zu einem wichtigen Problem entwickelt, das in verschiedenen Forschungsbereichen und Anwendungsgebieten erforscht wird. Viele Techniken zur Erkennung von Ausreißern wurden speziell für bestimmte Anwendungsbereiche entwickelt, während einige Techniken eher allgemeiner Natur sind. Einige Anwendungsbereiche werden unter strenger Geheimhaltung erforscht, z. B. die Erforschung von Kriminalität und terroristischen Aktivitäten. Die Analyse von Big Data ist in der heutigen Zeit sehr populär geworden, und die Bearbeitung von Big Data hat die Aufmerksamkeit der Forscher im Bereich der Datenanalyse auf sich gezogen. Cloud Computing bietet leistungsstarke und wirtschaftliche Infrastruktur-Ressourcen für Cloud-Benutzer, um immer mehr Big Data mit Datenverarbeitungs-Frameworks wie MapReduce zu verarbeiten. Diese Arbeit betrachtet zwei Clustering-Algorithmen, bekannt als DBScan und K-Means, und implementiert mit dem Sensed-Datensatz der Intel Corporation.
Andere Kunden interessierten sich für
