Adaptive Resonance Theory in Social Media Data Clustering: Roles, Methodologies, and Applications

داده‌های رسانه‌های اجتماعی شامل ارتباطات و اشتراک‌گذاری آنلاین ما است که زندگی روزمره ما را منعکس می‌کند. این کتاب به بررسی این موضوع می‌پردازد که چگونه می‌توانیم از این داده‌های بزرگ استفاده کنیم و چه چیزهایی را می‌توانیم کشف کنیم:

• دانش پایه (داده‌ها و چالش‌ها) در تجزیه و تحلیل رسانه‌های اجتماعی< br>
• خوشه بندی به عنوان یک تکنیک اساسی برای کشف دانش بدون نظارت و داده کاوی
  
• یک کلاس از الهام گرفته از عصبی الگوریتم‌ها، مبتنی بر نظریه تشدید تطبیقی ​​(ART)، مقابله با چالش‌ها در خوشه‌بندی داده‌های رسانه‌های اجتماعی بزرگ
  
• روش‌های گام به گام توسعه الگوریتم‌های یادگیری ماشینی بدون نظارت برای واقعی -کاربردهای جهانی در حوزه رسانه های اجتماعی
  

نظریه رزونانس تطبیقی ​​در خوشه بندی داده های رسانه های اجتماعی بر روی پیشرفت اساسی در تئوری شناختی و عصبی، یعنی نظریه رزونانس تطبیقی، که شبیه‌سازی می‌کند که چگونه مغز اطلاعات را برای انجام حافظه، یادگیری، تشخیص و پیش‌بینی پردازش می‌کند.

این ابتکارات را در نمایش ریاضی مکانیسم‌های یادگیری ART ارائه می‌کند. خوشه‌بندی، و نحوه گسترش مدل ART پایه برای رسیدگی به پیچیدگی و ویژگی‌های داده‌های رسانه‌های اجتماعی و انجام وظایف تحلیلی انجمنی را نشان می‌دهد.

هم تحقیقات پیشرفته و هم شیوه‌های دنیای واقعی در یادگیری ماشین و رسانه‌های اجتماعی. تجزیه و تحلیل در کتاب گنجانده شده است و اگر می خواهید پاسخ سوالات زیر را بیاموزید، این کتاب برای شماست:

• چگونه جریان های بزرگ را پردازش کنیم از داده های چند رسانه ای؟
  
• چگونه شبکه های اجتماعی را با داده های ناهمگن تجزیه و تحلیل کنیم؟
  
• چگونه با یادگیری از پست ها و رفتارهای آنلاین علایق کاربر را درک کنیم؟
  
• چگونه با نمایه سازی و جستجوی خودکار منابع اطلاعاتی چندوجهی یک موتور جستجوی شخصی ایجاد کنیم؟
  

Social media data contains our communication and online sharing, mirroring our daily life. This book looks at how we can use and what we can discover from such big data:

• Basic knowledge (data & challenges) on social media analytics
  
• Clustering as a fundamental technique for unsupervised knowledge discovery and data mining
  
• A class of neural inspired algorithms, based on adaptive resonance theory (ART), tackling challenges in big social media data clustering
  
• Step-by-step practices of developing unsupervised machine learning algorithms for real-world applications in social media domain
  

Adaptive Resonance Theory in Social Media Data Clustering stands on the fundamental breakthrough in cognitive and neural theory, i.e. adaptive resonance theory, which simulates how a brain processes information to perform memory, learning, recognition, and prediction.

It presents initiatives on the mathematical demonstration of ART’s learning mechanisms in clustering, and illustrates how to extend the base ART model to handle the complexity and characteristics of social media data and perform associative analytical tasks.

Both cutting-edge research and real-world practices on machine learning and social media analytics are included in the book and if you wish to learn the answers to the following questions, this book is for you:

• How to process big streams of multimedia data?
  
• How to analyze social networks with heterogeneous data?
  
• How to understand a user’s interests by learning from online posts and behaviors?
  
• How to create a personalized search engine by automatically indexing and searching multimodal information resources?