La meilleure application sur Data mining & Data Warehousing , apprenez un sujet en une minute
L'application est un manuel gratuit complet de Data mining & Data Warehousing qui couvrent des sujets, des notes, des matériaux, des actualités et des blogs importants sur le cours. Téléchargez l'application en tant que matériel de référence et livre numérique pour l'informatique, l'IA, les programmes de science des données et les programmes de génie logiciel et les cours de gestion d'entreprise.
Cette application utile répertorie 200 sujets avec des notes détaillées, des diagrammes, des équations, des formules et du matériel de cours, les sujets sont répertoriés en 5 chapitres. L'application doit avoir pour tous les étudiants et professionnels de l'informatique et de l'ingénierie.
L'application fournit une révision rapide et une référence aux sujets importants comme une carte flash détaillée, il est facile et utile pour l'étudiant ou un professionnel pour couvrir rapidement le programme de cours avant un examen ou un entretien pour des emplois.
Suivez votre apprentissage, définissez des rappels, modifiez le matériel d'étude, ajoutez des sujets préférés, partagez les sujets sur les réseaux sociaux.
Vous pouvez également bloguer sur la technologie d'ingénierie, l'innovation, les startups d'ingénierie, les travaux de recherche universitaire, les mises à jour de l'institut, les liens informatifs sur les programmes de cours et d'éducation de votre smartphone ou tablette ou sur http://www.engineeringapps.net/.
Utilisez cette application d'ingénierie utile comme tutoriel, livre numérique, guide de référence pour le programme, matériel de cours, travail de projet, partage de votre point de vue sur le blog.
Certains des sujets abordés dans l'application sont:
1. Introduction à l'exploration de données
2. Architecture de données
3. Warehouses de données (DW)
4. Bases de données relationnelles
5. Bases de données transactionnelles
6. Données avancées et systèmes d'information et applications avancées
7. fonctionnalités d'exploration de données
8. Classification des systèmes d'exploration de données
9. Tâche d'exploration de données primitives
10. Intégration d'un système d'exploration de données avec un système de datawarehouse
11. Problèmes majeurs de l'exploration de données
12. Problèmes de performances dans l'exploration de données
13. Introduction au prétraitement des données
14. Résumé des données descriptif
15. Mesurer la dispersion des données
16. Affichages graphiques des résumés de données descriptifs de base
17. Nettoyage des données
18. Données bruyantes
19. Processus de nettoyage des données
20. Intégration et transformation des données
21. Transformation des données
22. Réduction des données
23. Réduction de la dimensionnalité
24. Réduction de la numérosité
25. Clustering et échantillonnage
26. Génération de discrétisation des données et de hiérarchie conceptuelle
27. Génération de hiérarchie conceptuelle pour les données catégorielles
28. Introduction aux entrepôts de données
29. Différences entre les systèmes de base de données opérationnels et les entrepôts de données
30. Un modèle de données multidimensionnel
31. Un modèle de données multidimensionnel
32. Architecture de l'entrepôt de données
33. Le processus de conception de l'entrepôt de données
34. Une architecture d'entrepôt de données à trois niveaux
35. Outils et services publics de l'entrepôt de données
36. Types de serveurs OLAP: ROLAP contre MOLAP contre Holap
37. Implémentation de l'entrepôt de données
38. Entreposage de données à l'exploration de données
39. Traitement analytique en ligne à l'extraction analytique en ligne
40. Méthodes de calcul de cube de données
41. Aggrégation multi-voies pour calcul du cube complet
42. Cubing d'étoile: calcul des cubes iceberg à l'aide d'une structure dynamique-étoile
43. Fragments de coquille pré-calcuants pour OLAP rapide à haute dimension
44. Exploration motivée des cubes de données
45. Aggrégation complexe à multilarité multiple: cubes multiples
46. Induction orientée vers l'attribut
47. Induction orientée vers l'attribut pour la caractérisation des données
48. Implémentation efficace de l'induction orientée vers l'attribut
49. Comparaisons des cours d'exploitation: discrimination entre différentes classes
50. Modèles fréquents
51. L'algorithme Apriori
52. Méthodes d'exploration de pseudo et évolutives efficaces et évolutives
Chaque sujet est complet avec des diagrammes, des équations et d'autres formes de représentations graphiques pour un meilleur apprentissage et une compréhension rapide.
L'entreposage d'exploration de données et de données fait partie de l'informatique, du génie logiciel, de l'IA, de l'apprentissage automatique et des programmes de diplôme en technologie de l'information et en gestion des affaires et en gestion d'entreprise dans diverses universités.
Télécharger
Les utilisateurs ont également consulté
