دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Adaptive Stream Mining: Pattern Learning and Mining from Evolving Data Streams
دانلود کتاب جریان کاوی تطبیقی: یادگیری الگو و استخراج از جریان های داده در حال تکامل
مشخصات کتاب
Adaptive Stream Mining: Pattern Learning and Mining from Evolving Data Streams
ویرایش:
نویسندگان: A. Bifet
سری: Frontiers in Artificial Intelligence and Applications 207
ISBN (شابک) : 1607500906, 9781607500902
ناشر: IOS Press
سال نشر: 0
تعداد صفحات: 225
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
قیمت کتاب (تومان) : 43,000
در صورت تبدیل فایل کتاب Adaptive Stream Mining: Pattern Learning and Mining from Evolving Data Streams 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 جریان کاوی تطبیقی: یادگیری الگو و استخراج از جریان های داده در حال تکامل 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 جریان کاوی تطبیقی: یادگیری الگو و استخراج از جریان های داده در حال تکامل
این کتاب کمک قابل توجهی به موضوع کاوی جریان داده های تغییر زمان است و به طراحی الگوریتم های یادگیری برای این منظور می پردازد. این کمک های جدیدی را در چندین جنبه مختلف مشکل، شناسایی فرصت های تحقیقاتی و افزایش دامنه کاربردها معرفی می کند. همچنین شامل مطالعه عمیق استخراج جریان و تحلیل نظری روش‌ها و الگوریتم‌های پیشنهادی است. بخش اول به استفاده از الگوریتم پنجره کشویی تطبیقی (ADWIN) مربوط می شود. از آنجایی که این دارای ضمانت‌های عملکرد دقیق است، استفاده از آن به جای شمارنده‌ها یا انباشته‌کننده‌ها، امکان گسترش چنین تضمین‌هایی را به الگوریتم‌های یادگیری و استخراج که در ابتدا برای جابجایی داده‌ها طراحی نشده‌اند، ارائه می‌دهد. آزمایش با چندین روش، از جمله Na?ve Bayes، خوشه بندی، درختان تصمیم گیری و روش های مجموعه نیز مورد بحث قرار گرفته است. بخش دوم کتاب یک مطالعه رسمی از نمودارهای غیرچرخه متصل یا درختان را از نقطه نظر استخراج مبتنی بر بسته، ارائه الگوریتم‌های کارآمد برای آزمایش زیردرخت و برای استخراج درخت‌های بسته مرتب و نامرتب توصیف می‌کند. در نهایت، یک روش کلی برای شناسایی الگوهای بسته در یک جریان داده تشریح شده است. این برای توسعه یک روش افزایشی، یک روش مبتنی بر پنجره کشویی، و روشی که درخت‌های بسته را به‌طور تطبیقی از جریان‌های داده استخراج می‌کند، اعمال می‌شود. اینها برای معرفی روش‌های طبقه‌بندی برای جریان‌های داده درختی استفاده می‌شوند. IOS Press یک ناشر علمی، فنی و پزشکی بین‌المللی کتاب‌های با کیفیت بالا برای دانشگاهیان، دانشمندان و متخصصان در همه زمینه‌ها است. برخی از حوزه هایی که در این زمینه منتشر می کنیم: -زیست پزشکی - سرطان شناسی - هوش مصنوعی - پایگاه های داده و سیستم های اطلاعاتی - مهندسی دریایی - فناوری نانو - مهندسی زمین - همه جنبه های فیزیک - حکومت الکترونیک - تجارت الکترونیک - اقتصاد دانش - مطالعات شهری - کنترل تسلیحات - درک و پاسخ به تروریسم - انفورماتیک پزشکی - علوم کامپیوتر
توضیحاتی درمورد کتاب به خارجی
This book is a significant contribution to the subject of mining time-changing data streams and addresses the design of learning algorithms for this purpose. It introduces new contributions on several different aspects of the problem, identifying research opportunities and increasing the scope for applications. It also includes an in-depth study of stream mining and a theoretical analysis of proposed methods and algorithms. The first section is concerned with the use of an adaptive sliding window algorithm (ADWIN). Since this has rigorous performance guarantees, using it in place of counters or accumulators, it offers the possibility of extending such guarantees to learning and mining algorithms not initially designed for drifting data. Testing with several methods, including Na??ve Bayes, clustering, decision trees and ensemble methods, is discussed as well. The second part of the book describes a formal study of connected acyclic graphs, or trees, from the point of view of closure-based mining, presenting efficient algorithms for subtree testing and for mining ordered and unordered frequent closed trees. Lastly, a general methodology to identify closed patterns in a data stream is outlined. This is applied to develop an incremental method, a sliding-window based method, and a method that mines closed trees adaptively from data streams. These are used to introduce classification methods for tree data streams.IOS Press is an international science, technical and medical publisher of high-quality books for academics, scientists, and professionals in all fields. Some of the areas we publish in: -Biomedicine -Oncology -Artificial intelligence -Databases and information systems -Maritime engineering -Nanotechnology -Geoengineering -All aspects of physics -E-governance -E-commerce -The knowledge economy -Urban studies -Arms control -Understanding and responding to terrorism -Medical informatics -Computer Sciences
فهرست مطالب
Title page......Page 2
Contents......Page 10
Introduction and Preliminaries......Page 14
Data Mining......Page 16
Data stream mining......Page 17
Frequent tree pattern mining......Page 19
Overview of the book......Page 22
Classification and Clustering......Page 26
Decision Trees......Page 27
Change Detection and Value Estimation......Page 28
Change Detection......Page 29
Estimation......Page 31
Frequent Pattern Mining......Page 34
Mining data streams: state of the art......Page 35
Classification in data streams......Page 36
Frequent pattern mining: state of the art......Page 39
CMTreeMiner......Page 41
Streaming Pattern Mining......Page 42
Evolving Data Stream Learning......Page 44
Introduction......Page 46
Algorithms for mining with change......Page 47
Suport Vector Machines: Klinkenberg......Page 48
OLIN: Last......Page 49
UFFT: Gama......Page 50
A Methodology for Adaptive Stream Mining......Page 52
Time Change Detectors and Predictors: A General Framework......Page 53
Window Management Models......Page 55
Optimal Change Detector and Predictor......Page 57
Experimental Setting......Page 58
Concept Drift Framework......Page 60
Datasets for concept drift......Page 62
MOA Experimental Framework......Page 65
Introduction......Page 66
First algorithm: ADWIN0......Page 67
ADWIN0 for Poisson processes......Page 72
Improving time and memory requirements......Page 73
Experimental Validation of ADWIN......Page 77
Example 1: Incremental Naïve Bayes Predictor......Page 85
Experiments on Synthetic Data......Page 87
Real-world data experiments......Page 88
Example 2: Incremental k-means Clustering......Page 91
K-ADWIN = ADWIN + Kalman Filtering......Page 92
Experimental Validation of K-ADWIN......Page 94
Example 2: k-means Clustering......Page 96
K-ADWIN Experimental Validation Conclusions......Page 97
Time and Memory Requirements......Page 99
Introduction......Page 102
HWT-ADWIN: Hoeffding Window Tree using ADWIN......Page 103
CVFDT......Page 106
Hoeffding Adaptive Trees......Page 107
Example of performance Guarantee......Page 108
Experimental evaluation......Page 109
Time and memory......Page 115
Bagging and Boosting......Page 118
New method of Bagging using trees of different size......Page 119
Comparative Experimental Evaluation......Page 122
Closed Frequent Tree Mining......Page 128
Introduction......Page 130
Basic Algorithmics and Mathematical Properties......Page 131
Number of subtrees......Page 132
Finding the intersection of trees recursively......Page 133
Finding the intersection by dynamic programming......Page 135
Closure Operator on Trees......Page 136
Galois Connection......Page 138
Level Representations......Page 140
Subtree Testing in Ordered Trees......Page 143
Mining Frequent Ordered Trees......Page 144
Unordered Subtrees......Page 145
Mining frequent closed subtrees in the unordered case......Page 146
Closure-based mining......Page 149
Induced subtrees......Page 150
Datasets for mining closed frequent trees......Page 151
Intersection set cardinality......Page 153
Unlabeled trees......Page 154
Labeled trees......Page 158
Introduction......Page 166
Itemsets association rules......Page 168
Classical Propositional Horn Logic......Page 169
Association Rules......Page 171
On Finding Implicit Rules for Subtrees......Page 173
Experimental Validation......Page 179
Evolving Tree Data Stream Mining......Page 182
Relaxed support......Page 184
Closure Operator on Patterns......Page 185
Incremental Closed Pattern Mining......Page 187
Closed pattern mining in the presence of distribution change......Page 189
Incremental Closed Tree Mining......Page 190
Unlabeled Trees......Page 191
Labeled Trees......Page 194
Introduction......Page 200
Classification using Compressed Frequent Patterns......Page 202
Maximal Frequent Patterns......Page 204
XML Tree Classification framework on data streams......Page 205
Adaptive Tree Mining on evolving data streams......Page 206
Experimental evaluation......Page 207
Bibliography......Page 212
