دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Accelerating discovery : mining unstructured information for hypothesis generation
دانلود کتاب کشف تسریع کننده: استخراج اطلاعات بدون ساختار برای تولید فرضیه
مشخصات کتاب
Accelerating discovery : mining unstructured information for hypothesis generation
ویرایش:
نویسندگان: Spangler. Scott
سری: Chapman & Hall/CRC data mining and knowledge discovery series 37
ISBN (شابک) : 9781482239140, 1482239140
ناشر: CRC Press
سال نشر: 2015
تعداد صفحات: 308
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 21 مگابایت
قیمت کتاب (تومان) : 29,000
کلمات کلیدی مربوط به کتاب کشف تسریع کننده: استخراج اطلاعات بدون ساختار برای تولید فرضیه: داده کاوی. علم -- منابع اطلاعاتی علم -- روش شناسی. کامپیوتر / عمومی
در صورت تبدیل فایل کتاب Accelerating discovery : mining unstructured information for hypothesis generation به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب کشف تسریع کننده: استخراج اطلاعات بدون ساختار برای تولید فرضیه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب کشف تسریع کننده: استخراج اطلاعات بدون ساختار برای تولید فرضیه
رویکردهای کاوی بدون ساختار برای حل مسائل پیچیده علمی با افزایش تصاعدی حجم داده ها و ادبیات علمی، دانشمندان به ابزارها و روش های قوی تری برای پردازش و ترکیب اطلاعات و فرموله کردن فرضیه های جدید که به احتمال زیاد هم درست و هم مهم هستند، نیاز دارند. کشف تسریع: استخراج اطلاعات بدون ساختار برای ایجاد فرضیه، رویکرد جدیدی را برای تحقیقات علمی توصیف می‌کند که از تجزیه و تحلیل داده‌های بدون ساختار به عنوان ابزاری مولد برای فرضیه‌های جدید استفاده می‌کند. نویسنده یک فرآیند سیستماتیک برای استفاده از منابع داده ناهمگن ساختاریافته و بدون ساختار، داده کاوی و معماری های محاسباتی ایجاد می کند تا فرآیند کشف را سریعتر و موثرتر کند. این فرآیند با اجازه دادن به دانشمندان و مخترعان برای تجزیه و تحلیل و درک آسانتر فضای احتمالات، مقایسه گزینه ها و کشف رویکردهای کاملاً جدید، خلاقیت انسان را تسریع می بخشد. این کتاب که دیدگاه‌های سیستماتیک و عملی را در بر می‌گیرد، انگیزه‌ها و استراتژی‌های لازم و همچنین مجموعه‌ای ناهمگون از مثال‌های جامع و گویا را ارائه می‌کند. این اهمیت تجزیه و تحلیل داده های ناهمگن را در کمک به اکتشافات علمی نشان می دهد و علم داده را به عنوان یک رشته پیش می برد.
توضیحاتی درمورد کتاب به خارجی
Unstructured Mining Approaches to Solve Complex Scientific Problems As the volume of scientific data and literature increases exponentially, scientists need more powerful tools and methods to process and synthesize information and to formulate new hypotheses that are most likely to be both true and important. Accelerating Discovery: Mining Unstructured Information for Hypothesis Generation describes a novel approach to scientific research that uses unstructured data analysis as a generative tool for new hypotheses. The author develops a systematic process for leveraging heterogeneous structured and unstructured data sources, data mining, and computational architectures to make the discovery process faster and more effective. This process accelerates human creativity by allowing scientists and inventors to more readily analyze and comprehend the space of possibilities, compare alternatives, and discover entirely new approaches. Encompassing systematic and practical perspectives, the book provides the necessary motivation and strategies as well as a heterogeneous set of comprehensive, illustrative examples. It reveals the importance of heterogeneous data analytics in aiding scientific discoveries and furthers data science as a discipline.
فهرست مطالب
Content: Introduction --
Why Accelerate Discovery? --
Form and Function --
Exploring Content to Find Entities --
Organization --
Relationships --
Inference --
Taxonomies --
Orthogonal Comparison --
Visualizing the Data Plane --
Networks --
Examples and Problems --
Problem: Discovery of Novel Properties of Known Entities --
Problem: Finding New Treatments for Orphan Diseases from Exisiting Drugs --
Example: Target Selection Based on Protein Network Analysis --
Example: Gene Expression Analysis for Alternative Indications --
Example: Side Effects --
Example: Protein Viscosity Analysis Using Medline Abstracts --
Example: Finding Microbes to Clean Up Oil Spills --
Example: Drug Repurposing --
Example: Adverse Events --
Example: P53 Kinases --
Conclusion and Future Work.
