Jiří Horák – författare

Dieses Taschenbuch richtet sich an Studierende aller natur- und ingenieurwissenschaftlichen Disziplinen sowie Ingenieure und Naturwissenschaftler in der Praxis.

Die mathematischen Grundlagen werden kurz eingeführt und die notwendigen Formeln präsentiert.

Aus dem Inhalt: Grundlagen – Mengen, Zahlbereiche, Geometrie, Trigonometrie, Koordinatensysteme, Kegelschnitte; Grundzüge der Linearen Algebra; Differentialund und Integralrechnung einer Veränderlichen; ebene und räumliche Kurven; Reihen; mehrdimensionale Analysis; gewöhnliche und partielle Differentialgleichungen; Vektoranalysis; Integraltransformationen; Funktionentheorie; Grundzüge der Numerik; Wahrscheinlichkeitsrechnung; Statistik.

Das Buch basiert auf mehr als 30jähriger Vorlesungstätigkeit an verschiedenen Hochschulen und Fakultäten.

Das Übungsbuch folgt in Aufbau und Stoffauswahl dem bewährten Lehrbuch Mathematik für Ingenieure. Anhand einer großen Anzahl vollständig durchgerechneter Aufgaben erwirbt der Leser die nötige Praxis für die Bearbeitung von Aufgabenstellungen. Zahlreiche Abbildungen veranschaulichen die bearbeiteten Sachverhalte.

Das Übungsbuch folgt in Aufbau und Stoffauswahl dem bewährten Lehrbuch Mathematik für Ingenieure. Anhand einer großen Anzahl vollständig durchgerechneter Aufgaben erwirbt der Leser die nötige Praxis für die Bearbeitung von Aufgabenstellungen. Zahlreiche Abbildungen veranschaulichen die bearbeiteten Sachverhalte.

This edited volume gathers the proceedings of the Symposium GIS Ostrava 2016, the Rise of Big Spatial Data, held at the Technical University of Ostrava, Czech Republic, March 16–18, 2016. Combining theoretical papers and applications by authors from around the globe, it summarises the latest research findings in the area of big spatial data and key problems related to its utilisation.

Welcome to dawn of the big data era: though it’s in sight, it isn’t quite here yet. Big spatial data is characterised by three main features: volume beyond the limit of usual geo-processing, velocity higher than that available using conventional processes, and variety, combining more diverse geodata sources than usual. The popular term denotes a situation in which one or more of these key properties reaches a point at which traditional methods for geodata collection, storage, processing, control, analysis, modelling, validation and visualisation fail to provide effective solutions.

>Entering the era of big spatial data calls for finding solutions that address all “small data” issues that soon create “big data” troubles. Resilience for big spatial data means solving the heterogeneity of spatial data sources (in topics, purpose, completeness, guarantee, licensing, coverage etc.), large volumes (from gigabytes to terabytes and more), undue complexity of geo-applications and systems (i.e. combination of standalone applications with web services, mobile platforms and sensor networks), neglected automation of geodata preparation (i.e. harmonisation, fusion), insufficient control of geodata collection and distribution processes (i.e. scarcity and poor quality of metadata and metadata systems), limited analytical tool capacity (i.e. domination of traditional causal-driven analysis), low visual system performance, inefficient knowledge-discovery techniques (for transformation of vast amounts of information into tiny and essential outputs) and much more. These trends are accelerating as sensors become more ubiquitous around the world.