数据密集型计算环境下贝叶斯网的学习、推理及应用

节选

[

　　《密集型计算环境下贝叶斯网的学习、推理及应用》：　　谷歌公司*先提出了Map Reduce的概念，并以GFS为基础将其具体实现以便于有效地处理大规模的数据。然而，谷歌并没有全部公开其整套系统的内部细节实现情况，这就使得除谷歌以外的公司或研究人员，很难利用Map Reduce的技术进行相关研究和应用的开发。直到后来开源社区以Hadoopc项目的形式实现了Map Reduce功能，并以开源的方式提供给所有感兴趣的研究人员，这才使得学术界对于Map Reduce的研究取得了较大的发展。Map Reduce是一种设计优良的处理大数据的软件架构，以它为基础写出的程序能够在具有上千个节点的大型集群上顺利地运行，并同时可以并行地处理数据量巨大的数据集。　　在Map Reduce架构中，一个输入的作业通常会被先切分成若干个较小的数据块，再由系统以并行的方式去处理这些数据块。MapReduce中的Map常常被翻译为映射，而Reduce则被翻译为化简。Map的输入内容通常会先被按照某种策略进行排序后，再将结果输出给Reduce部分。这样的输入和输出，通常都需要被存储在适当的文件系统中，而Map Reduce的框架结构则负责对任务进行整体的监控和调度，以及负责在发现任务失败后将其重新执行的工作。　　在Map Reduce的体系中，计算节点就是Map Reduce的框架部分，而存储节点就是指相应的分布式文件系统。在实际运行时，这两者通常都是被置于同一个或同一组节点之上的。这样做的目的，是希望在已经存有数据的节点上，可以使得任务得以高效地执行，减少节点间的数据传输，降低整个集群内部网络的拥挤程度，从而提高执行效率。　　……

]

内容简介

[

全书内容共分为5章, 主要涵盖绪论、数据密集型计算和贝叶斯网、数据密集型计算环境下贝叶斯网的学习方法、数据密集型计算环境下贝叶斯网的推理方法、数据密集型计算环境下贝叶斯网的应用 —— 社区发现。

]

目录

第1章 绪论1．1 研究背景及意义1．2 研究现状分析1．2．1 数据密集型计算的研究现状1．2．2 贝叶斯网的研究现状1．2．3 研究内容的必要性1．3 全书主要工作1．4 全书组织结构第2章 数据密集型计算和贝叶斯网2．1 数据密集型计算简介2．1．1 数据密集型计算概念2．1．2 数据密集型计算面临的挑战2．1．3 数据密集型计算的典型应用2．2 贝叶斯网简介2．2．1 贝叶斯网络概念2．2．2 贝叶斯网络学习2．2．3 贝叶斯网络推理2．2．4 贝叶斯网络的应用第3章 数据密集型计算环境下贝叶斯网的学习方法3．1 传统贝叶斯网的学习方法3．2 传统学习方法在数据密集型计算环境下面临的问题3．3 数据密集型计算环境下的贝叶斯网学习方法第4章 数据密集型计算环境下贝叶斯网的推理方法4．1 传统贝叶斯网的推理方法4．2 传统推理方法在数据密集型计算环境下面临的问题4．3 数据密集型计算环境下的贝叶斯网推理方法第5章 数据密集型计算环境下贝叶斯网的应用——社区发现5．1 问题的提出5．2 本方法的基本思想5．2．1 数据密集型计算环境下的频繁项目集融合方法5．2．2 数据密集型计算环境下构建基于频繁项集的基础网络5．2．3 数据密集型计算环境下根据构建的网络来进行社区发现5．3 实验模型5．4 实验结果及分析结束语参考文献

封面

书名:数据密集型计算环境下贝叶斯网的学习、推理及应用

作者:马冯著

页数:90

定价:¥42.0

出版社:西南交通大学出版社

出版日期:2016-04-01

ISBN:9787564345112

PDF电子书大小:105MB 高清扫描完整版