Big Data Preprocessing / Luengo, Julián  

Público ISBD Ningún comentario para este registro. Título : Big Data Preprocessing : Enabling Smart Data Tipo de documento: documento electrónico Autores: Luengo, Julián, ; García-Gil, Diego, ; Ramírez-Gallego, Sergio, ; García, Salvador, ; Herrera, Francisco, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XIII, 186 p. 57 ilustraciones, 54 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-39105-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Grandes datos  Aprendizaje automático  Red de computadoras  Redes de comunicación informática Clasificación: 005.7 Resumen: Este libro ofrece una descripción general comprensible del preprocesamiento de Big Data, que incluye una descripción formal de cada problema. También se centra en las soluciones propuestas más relevantes. Este libro ilustra implementaciones reales de algoritmos que ayudan al lector a lidiar con estos problemas. Este libro enfatiza la brecha que existe entre los grandes datos sin procesar y los requisitos de datos de calidad que exigen las empresas. A esto se le llama Smart Data, y para lograr Smart Data el preprocesamiento es un paso clave, donde se realizan las imperfecciones, tareas de integración y otros procesos para eliminar información superflua. Los autores presentan el concepto de Smart Data a través del preprocesamiento de datos en escenarios de Big Data y lo conectan con los paradigmas emergentes de IoT y Edge Computing, donde los puntos finales generan Smart Data sin depender completamente de la nube. Finalmente, este libro proporciona algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el preprocesamiento de Big Data. En concreto, se considera la relación con el Deep Learning (como una técnica que también depende de grandes volúmenes de datos), la dificultad de encontrar la adecuada selección y concatenación de las técnicas de preprocesamiento aplicadas y algunos otros problemas abiertos. Los profesionales y científicos de datos que trabajan en este campo y desean introducirse en el preprocesamiento en escenarios de grandes volúmenes de datos querrán comprar este libro. Los investigadores que trabajan en este campo y quieran saber qué algoritmos se implementan actualmente para ayudar en sus investigaciones, también pueden estar interesados ​​en este libro. Nota de contenido: 1. Introduction -- 2. Big Data: Technologies and Tools -- 3. Smart Data -- 4. Dimensionality Reduction for Big Data -- 5. Data Reduction for Big Data -- 6. Imperfect Big Data -- 7. Big Data Discretization -- 8. Imbalanced Data Preprocessing for Big Data -- 9. Big Data Software -- 10. Final Thoughts: From Big Data to Smart Data.-. Tipo de medio : Computadora Summary : This book offers a comprehensible overview of Big Data Preprocessing, which includes a formal description of each problem. It also focuses on the most relevant proposed solutions. This book illustrates actual implementations of algorithms that helps the reader deal with these problems. This book stresses the gap that exists between big, raw data and the requirements of quality data that businesses are demanding. This is called Smart Data, and to achieve Smart Data the preprocessing is a key step, where the imperfections, integration tasks and other processes are carried out to eliminate superfluous information. The authors present the concept of Smart Data through data preprocessing in Big Data scenarios and connect it with the emerging paradigms of IoT and edge computing, where the end points generate Smart Data without completely relying on the cloud. Finally, this book provides some novel areas of study that are gathering a deeper attention on the Big Data preprocessing. Specifically, it considers the relation with Deep Learning (as of a technique that also relies in large volumes of data), the difficulty of finding the appropriate selection and concatenation of preprocessing techniques applied and some other open problems. Practitioners and data scientists who work in this field, and want to introduce themselves to preprocessing in large data volume scenarios will want to purchase this book. Researchers that work in this field, who want to know which algorithms are currently implemented to help their investigations, may also be interested in this book. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Big Data Preprocessing : Enabling Smart Data [documento electrónico] / Luengo, Julián, ; García-Gil, Diego, ; Ramírez-Gallego, Sergio, ; García, Salvador, ; Herrera, Francisco,  . -  1 ed.  . - [s.l.] : Springer, 2020 . - XIII, 186 p. 57 ilustraciones, 54 ilustraciones en color. ISBN : 978-3-030-39105-8 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Grandes datos  Aprendizaje automático  Red de computadoras  Redes de comunicación informática Clasificación: 005.7 Resumen: Este libro ofrece una descripción general comprensible del preprocesamiento de Big Data, que incluye una descripción formal de cada problema. También se centra en las soluciones propuestas más relevantes. Este libro ilustra implementaciones reales de algoritmos que ayudan al lector a lidiar con estos problemas. Este libro enfatiza la brecha que existe entre los grandes datos sin procesar y los requisitos de datos de calidad que exigen las empresas. A esto se le llama Smart Data, y para lograr Smart Data el preprocesamiento es un paso clave, donde se realizan las imperfecciones, tareas de integración y otros procesos para eliminar información superflua. Los autores presentan el concepto de Smart Data a través del preprocesamiento de datos en escenarios de Big Data y lo conectan con los paradigmas emergentes de IoT y Edge Computing, donde los puntos finales generan Smart Data sin depender completamente de la nube. Finalmente, este libro proporciona algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el preprocesamiento de Big Data. En concreto, se considera la relación con el Deep Learning (como una técnica que también depende de grandes volúmenes de datos), la dificultad de encontrar la adecuada selección y concatenación de las técnicas de preprocesamiento aplicadas y algunos otros problemas abiertos. Los profesionales y científicos de datos que trabajan en este campo y desean introducirse en el preprocesamiento en escenarios de grandes volúmenes de datos querrán comprar este libro. Los investigadores que trabajan en este campo y quieran saber qué algoritmos se implementan actualmente para ayudar en sus investigaciones, también pueden estar interesados ​​en este libro. Nota de contenido: 1. Introduction -- 2. Big Data: Technologies and Tools -- 3. Smart Data -- 4. Dimensionality Reduction for Big Data -- 5. Data Reduction for Big Data -- 6. Imperfect Big Data -- 7. Big Data Discretization -- 8. Imbalanced Data Preprocessing for Big Data -- 9. Big Data Software -- 10. Final Thoughts: From Big Data to Smart Data.-. Tipo de medio : Computadora Summary : This book offers a comprehensible overview of Big Data Preprocessing, which includes a formal description of each problem. It also focuses on the most relevant proposed solutions. This book illustrates actual implementations of algorithms that helps the reader deal with these problems. This book stresses the gap that exists between big, raw data and the requirements of quality data that businesses are demanding. This is called Smart Data, and to achieve Smart Data the preprocessing is a key step, where the imperfections, integration tasks and other processes are carried out to eliminate superfluous information. The authors present the concept of Smart Data through data preprocessing in Big Data scenarios and connect it with the emerging paradigms of IoT and edge computing, where the end points generate Smart Data without completely relying on the cloud. Finally, this book provides some novel areas of study that are gathering a deeper attention on the Big Data preprocessing. Specifically, it considers the relation with Deep Learning (as of a technique that also relies in large volumes of data), the difficulty of finding the appropriate selection and concatenation of preprocessing techniques applied and some other open problems. Practitioners and data scientists who work in this field, and want to introduce themselves to preprocessing in large data volume scenarios will want to purchase this book. Researchers that work in this field, who want to know which algorithms are currently implemented to help their investigations, may also be interested in this book. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

Learning from Imbalanced Data Sets / Fernández, Alberto  

Público ISBD Ningún comentario para este registro. Título : Learning from Imbalanced Data Sets Tipo de documento: documento electrónico Autores: Fernández, Alberto, ; García, Salvador, ; Galar, Mikel, ; Prati, Ronaldo C., ; Krawczyk, Bartosz, ; Herrera, Francisco, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XVIII, 377 p. 71 ilustraciones, 50 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-98074-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Red de computadoras  Redes de comunicación informática Clasificación: 006.3 Resumen: Este libro proporciona una visión general y comprensible del aprendizaje desequilibrado. Contiene una descripción formal de un problema y se centra en sus características principales y las soluciones propuestas más relevantes. Además, considera los diferentes escenarios en Ciencia de Datos para los cuales la clasificación desequilibrada puede crear un verdadero desafío. Este libro enfatiza la brecha con las tareas de clasificación estándar al revisar los estudios de caso y las métricas de desempeño ad hoc que se aplican en esta área. También cubre los diferentes enfoques que se han aplicado tradicionalmente para abordar la distribución binaria de clases sesgada. Específicamente, revisa el aprendizaje sensible a los costos, los métodos de preprocesamiento a nivel de datos y las soluciones a nivel de algoritmos, teniendo también en cuenta aquellas soluciones de aprendizaje conjunto que incorporan cualquiera de las primeras alternativas. Además, se centra en la extensión del problema a problemas multiclase, en los que los métodos clásicos anteriores ya no se pueden aplicar de forma sencilla. Este libro también se centra en las características intrínsecas de los datos que son las principales causas que, sumadas a la distribución desigual de clases, realmente dificultan el desempeño de los algoritmos de clasificación en este escenario. Luego, se brindan algunas notas sobre la reducción de datos para comprender las ventajas relacionadas con el uso de este tipo de enfoques. Finalmente, este libro presenta algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el problema de los datos desequilibrados. Específicamente, considera la clasificación de flujos de datos, problemas de clasificación no clásicos y la escalabilidad relacionada con Big Data. Se proporcionan ejemplos de bibliotecas de software y módulos para abordar la clasificación desequilibrada. Este libro es muy adecuado para profesionales técnicos, estudiantes universitarios y de posgrado en las áreas de ciencia de datos, informática e ingeniería. También será útil para los científicos e investigadores conocer los avances actuales en esta área de estudio, así como las futuras direcciones de investigación. . Nota de contenido: 1 Introduction to KDD and Data Science -- 2 Foundations on Imbalanced Classification -- 3 Performance measures -- 4 Cost-sensitive Learning -- 5 Data Level Preprocessing Methods -- 6 Algorithm-level Approaches -- 7 Ensemble Learning -- 8 Imbalanced Classification with Multiple Classes -- 9 Dimensionality Reduction for Imbalanced Learning -- 10 Data Intrinsic Characteristics -- 11 Learning from Imbalanced Data Streams -- 12 Non-Classical Imbalanced Classification Problems -- 13 Imbalanced Classification for Big Data -- 14 Software and Libraries for Imbalanced Classification. . Tipo de medio : Computadora Summary : This book provides a general and comprehensible overview of imbalanced learning. It contains a formal description of a problem, and focuses on its main features, and the most relevant proposed solutions. Additionally, it considers the different scenarios in Data Science for which the imbalanced classification can create a real challenge. This book stresses the gap with standard classification tasks by reviewing the case studies and ad-hoc performance metrics that are applied in this area. It also covers the different approaches that have been traditionally applied to address the binary skewed class distribution. Specifically, it reviews cost-sensitive learning, data-level preprocessing methods and algorithm-level solutions, taking also into account those ensemble-learning solutions that embed any of the former alternatives. Furthermore, it focuses on the extension of the problem for multi-class problems, where the former classical methods are no longer to be applied in a straightforward way. This book also focuses on the data intrinsic characteristics that are the main causes which, added to the uneven class distribution, truly hinders the performance of classification algorithms in this scenario. Then, some notes on data reduction are provided in order to understand the advantages related to the use of this type of approaches. Finally this book introduces some novel areas of study that are gathering a deeper attention on the imbalanced data issue. Specifically, it considers the classification of data streams, non-classical classification problems, and the scalability related to Big Data. Examples of software libraries and modules to address imbalanced classification are provided. This book is highly suitable for technical professionals, senior undergraduate and graduate students in the areas of data science, computer science and engineering. It will also be useful for scientists and researchers to gain insight on the current developments in this area of study, as well as future research directions. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Learning from Imbalanced Data Sets [documento electrónico] / Fernández, Alberto, ; García, Salvador, ; Galar, Mikel, ; Prati, Ronaldo C., ; Krawczyk, Bartosz, ; Herrera, Francisco,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XVIII, 377 p. 71 ilustraciones, 50 ilustraciones en color. ISBN : 978-3-319-98074-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Red de computadoras  Redes de comunicación informática Clasificación: 006.3 Resumen: Este libro proporciona una visión general y comprensible del aprendizaje desequilibrado. Contiene una descripción formal de un problema y se centra en sus características principales y las soluciones propuestas más relevantes. Además, considera los diferentes escenarios en Ciencia de Datos para los cuales la clasificación desequilibrada puede crear un verdadero desafío. Este libro enfatiza la brecha con las tareas de clasificación estándar al revisar los estudios de caso y las métricas de desempeño ad hoc que se aplican en esta área. También cubre los diferentes enfoques que se han aplicado tradicionalmente para abordar la distribución binaria de clases sesgada. Específicamente, revisa el aprendizaje sensible a los costos, los métodos de preprocesamiento a nivel de datos y las soluciones a nivel de algoritmos, teniendo también en cuenta aquellas soluciones de aprendizaje conjunto que incorporan cualquiera de las primeras alternativas. Además, se centra en la extensión del problema a problemas multiclase, en los que los métodos clásicos anteriores ya no se pueden aplicar de forma sencilla. Este libro también se centra en las características intrínsecas de los datos que son las principales causas que, sumadas a la distribución desigual de clases, realmente dificultan el desempeño de los algoritmos de clasificación en este escenario. Luego, se brindan algunas notas sobre la reducción de datos para comprender las ventajas relacionadas con el uso de este tipo de enfoques. Finalmente, este libro presenta algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el problema de los datos desequilibrados. Específicamente, considera la clasificación de flujos de datos, problemas de clasificación no clásicos y la escalabilidad relacionada con Big Data. Se proporcionan ejemplos de bibliotecas de software y módulos para abordar la clasificación desequilibrada. Este libro es muy adecuado para profesionales técnicos, estudiantes universitarios y de posgrado en las áreas de ciencia de datos, informática e ingeniería. También será útil para los científicos e investigadores conocer los avances actuales en esta área de estudio, así como las futuras direcciones de investigación. . Nota de contenido: 1 Introduction to KDD and Data Science -- 2 Foundations on Imbalanced Classification -- 3 Performance measures -- 4 Cost-sensitive Learning -- 5 Data Level Preprocessing Methods -- 6 Algorithm-level Approaches -- 7 Ensemble Learning -- 8 Imbalanced Classification with Multiple Classes -- 9 Dimensionality Reduction for Imbalanced Learning -- 10 Data Intrinsic Characteristics -- 11 Learning from Imbalanced Data Streams -- 12 Non-Classical Imbalanced Classification Problems -- 13 Imbalanced Classification for Big Data -- 14 Software and Libraries for Imbalanced Classification. . Tipo de medio : Computadora Summary : This book provides a general and comprehensible overview of imbalanced learning. It contains a formal description of a problem, and focuses on its main features, and the most relevant proposed solutions. Additionally, it considers the different scenarios in Data Science for which the imbalanced classification can create a real challenge. This book stresses the gap with standard classification tasks by reviewing the case studies and ad-hoc performance metrics that are applied in this area. It also covers the different approaches that have been traditionally applied to address the binary skewed class distribution. Specifically, it reviews cost-sensitive learning, data-level preprocessing methods and algorithm-level solutions, taking also into account those ensemble-learning solutions that embed any of the former alternatives. Furthermore, it focuses on the extension of the problem for multi-class problems, where the former classical methods are no longer to be applied in a straightforward way. This book also focuses on the data intrinsic characteristics that are the main causes which, added to the uneven class distribution, truly hinders the performance of classification algorithms in this scenario. Then, some notes on data reduction are provided in order to understand the advantages related to the use of this type of approaches. Finally this book introduces some novel areas of study that are gathering a deeper attention on the imbalanced data issue. Specifically, it considers the classification of data streams, non-classical classification problems, and the scalability related to Big Data. Examples of software libraries and modules to address imbalanced classification are provided. This book is highly suitable for technical professionals, senior undergraduate and graduate students in the areas of data science, computer science and engineering. It will also be useful for scientists and researchers to gain insight on the current developments in this area of study, as well as future research directions. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 2 / 2) Ver por página : 25 50 100 200