| Dateityp | APK |
|---|---|
| Ausführung | 1 |
| Herausgeber | EngineeringApps |
| Veröffentlichungsdatum | 16.05.2020 |
| Datum hinzugefügt | 16.05.2020 |
| Os Anforderungen | Android |
| Bedarf | Requires Android 4.0 and up |
| Downloads insgesamt | 0 |
| Preis | $5.00 |
Beschreibung
Die App ist ein vollständiges Handbuch für Data Mining und Data Warehousing, das wichtige Themen, Notizen, Materialien, Neuigkeiten und Blogs zum Kurs abdeckt. Laden Sie die App als Nachschlagewerk & digitales Buch für Informatik-, KI-, Data-Science- & Software-Engineering-Programme & betriebswirtschaftliche Studiengänge herunter.
Diese nützliche App listet 200 Themen mit detaillierten Notizen, Diagrammen, Gleichungen, Formeln und Kursmaterial auf, die Themen sind in 5 Kapiteln aufgelistet. Die App ist ein Muss für alle Informatik- und Ingenieurstudenten und -fachleute.
Die App bietet eine schnelle Wiederholung und Referenz zu den wichtigen Themen wie detaillierte Karteikartennotizen. Sie macht es dem Studenten oder einem Fachmann einfach und nützlich, den Lehrplan vor einer Prüfung oder einem Vorstellungsgespräch schnell abzudecken.
Verfolgen Sie Ihr Lernen, legen Sie Erinnerungen fest, bearbeiten Sie das Lernmaterial, fügen Sie Lieblingsthemen hinzu und teilen Sie die Themen in sozialen Medien.
Sie können über Ihr Smartphone oder Tablet oder unter http://www.engineeringapps.net/ auch über Ingenieurtechnologie, Innovation, Ingenieur-Startups, Hochschulforschungsarbeit, Institutsaktualisierungen, informative Links zu Kursmaterialien und Bildungsprogrammen bloggen.
Verwenden Sie diese nützliche Engineering-App als Tutorial, digitales Buch, Referenzhandbuch für Lehrpläne, Kursmaterial, Projektarbeit und teilen Sie Ihre Ansichten im Blog.
Einige der in der App behandelten Themen sind:
1. Einführung in das Data-Mining
2. Datenarchitektur
3. Data-Warehouses (DW)
4. Relationale Datenbanken
5. Transaktionsdatenbanken
6. Fortgeschrittene Daten- und Informationssysteme und Fortgeschrittene Anwendungen
7. Data-Mining-Funktionen
8. Klassifizierung von Data-Mining-Systemen
9. Grundelemente der Data-Mining-Aufgabe
10. Integration eines Data-Mining-Systems mit einem DataWarehouse-System
11. Wichtige Probleme beim Data Mining
12. Leistungsprobleme beim Data Mining
13. Einführung in die Datenvorverarbeitung
14. Zusammenfassung der beschreibenden Daten
15. Messung der Streuung von Daten
16. Grafische Anzeigen von grundlegenden beschreibenden Datenzusammenfassungen
17. Datenreinigung
18. Verrauschte Daten
19. Datenreinigungsprozess
20. Datenintegration und -transformation
21. Datentransformation
22. Datenreduzierung
23. Dimensionsreduktion
24. Zahlenreduzierung
25. Clustering und Stichprobenziehung
26. Datendiskretisierung und Konzepthierarchiegenerierung
27. Konzepthierarchieerzeugung für kategoriale Daten
28. Einführung in Data Warehouses
29. Unterschiede zwischen operativen Datenbanksystemen und Data Warehouses
30. Ein mehrdimensionales Datenmodell
31. Ein mehrdimensionales Datenmodell
32. Data-Warehouse-Architektur
33. Der Prozess des Data-Warehouse-Designs
34. Eine dreischichtige Data-Warehouse-Architektur
35. Data Warehouse-Back-End-Tools und -Dienstprogramme
36. Arten von OLAP-Servern: ROLAP versus MOLAP versus HOLAP
37. Data Warehouse-Implementierung
38. Data Warehousing zu Data Mining
39. Analytische Online-Verarbeitung zu analytischem Online-Mining
40. Methoden zur Datenwürfelberechnung
41. Multiway-Array-Aggregation für vollständige Cube-Berechnung
42. Sternwürfel: Berechnung von Eisbergwürfeln unter Verwendung einer dynamischen Sternbaumstruktur
43. Vorberechnung von Shell-Fragmenten für schnelles hochdimensionales OLAP
44. Angetriebene Exploration von Datenwürfeln
45. Komplexe Aggregation bei multipler Granularität: Multi-Feature-Cubes
46. Merkmalsorientierte Induktion
47. Attributorientierte Induktion zur Datencharakterisierung
48. Effiziente Implementierung der attributorientierten Induktion
49. Mining-Klassenvergleiche: Unterscheidung zwischen verschiedenen Klassen
50. Häufige Muster
51. Der Apriori-Algorithmus
52. Effiziente und skalierbare Mining-Methoden für häufige Itemsets
Jedes Thema ist komplett mit Diagrammen, Gleichungen und anderen Formen der grafischen Darstellung für besseres Lernen und schnelles Verständnis.
Data Mining & Data Warehousing ist Teil der Studiengänge Informatik, Software Engineering, KI, Maschinelles Lernen & Statistisches Rechnen sowie der Studiengänge Informationstechnologie & Betriebswirtschaft an verschiedenen Universitäten.
