Szanowni Klienci, z okazji święta państwowego w dniu dzisiejszym obsługa klienta będzie nieczynna. Na wszystkie wiadomości odpowiemy w najbliższym dniu roboczym. Dziękujemy za zrozumienie.

Ponad 4 miliony tytułów w języku angielskim i innych językach! Odkryj swoją nową historię już dziś!

Sprawdź status swojego zamówienia

Skontaktuj się z nami

Data Science

Name: Data Science
Brand: De Gruyter
SKU: 9783110697803
Price: 354.92 PLN
Availability: InStock

Time Complexity, Inferential Uncertainty, and Spacekime Analytics

Autor: Ivo D. Dinov, Milen Velchev Velev

Język:

Oprawa: Twarda

Wydawca: De Gruyter

Dostępność: Dostępna u dostawcy

Wysyłamy za 9-15 dni

354.92 zł

This book presents spacekime analytics which addresses the challenges of interrogating Big Data by t...

Informacje o książce

Autor

Ivo D. Dinov, Milen Velchev Velev

Język

Angielski

Oprawa

Książka - Twarda

Data wydania

2021

strony

489

EAN

9783110697803

Enbook ID

32608436

Wydawca

De Gruyter

Waga

938

Wymiary

244 x 178 x 34

Pełny opis

This book presents spacekime analytics which addresses the challenges of interrogating Big Data by transforming the notion of multiple samples, acquired in the 4D Minkowski spacetime, into a 5D spacekime extension manifold. This embedding of the 4D space into a 5D spacekime manifold facilitates a new kind of data analytics, which naturally reduces to its classical 4D spacetime analogue associated with unobserved kime-phases (timedirections). The book uses an alternative data representation based on complexifying time and lifting the classical 4D universal spacetime to a 5D spacekime manifold. The rationale for this extension is multifold. The spacekime representation allows us to resolve some of the problems of time, define mathematical equations, and derive analytical expressions describing the natural laws of physics that agree with their standard 4D counterparts. In addition, the authors demonstrate that careful data representation, reconstruction, modeling, and analytics in the extension spacekime manifold could potentially expose valuable information that can enhance observation-based scientific inference, data-driven predictions, and evidence-based decision-making processes.