Compression Schemes for Mining Large Datasets: A Machine Learning Perspective

این کتاب به چالش‌های تولید انتزاع داده‌ها با استفاده از حداقل تعداد اسکن پایگاه داده، فشرده‌سازی داده‌ها از طریق طرح‌های جدید با اتلاف و بدون ضرر، و انجام خوشه‌بندی و طبقه‌بندی مستقیماً در دامنه فشرده می‌پردازد. طرح‌هایی ارائه شده‌اند که نشان داده می‌شوند هم از نظر مکان و هم از نظر زمان کارآمد هستند، در حالی که به طور همزمان دقت طبقه‌بندی یکسان یا بهتری را ارائه می‌دهند. ویژگی ها: یک طرح فشرده سازی بدون تلفات را بر اساس رمزگذاری طول اجرا الگوها با ویژگی های باینری ارزش توصیف می کند. یک طرح فشرده سازی با اتلاف پیشنهاد می کند که یک الگو را به عنوان دنباله ای از ویژگی ها و شناسایی دنباله های بعدی می شناسد. بررسی می‌کند که آیا شناسایی نمونه‌های اولیه و ویژگی‌ها می‌تواند به طور همزمان از طریق فشرده‌سازی با تلفات و خوشه‌بندی کارآمد به دست آید یا خیر. راه‌های استفاده از دانش حوزه در تولید انتزاع را مورد بحث قرار می‌دهد. انتخاب نمونه اولیه بهینه را با استفاده از الگوریتم های ژنتیک بررسی می کند. راه های ممکن برای مقابله با مشکلات کلان داده با استفاده از سیستم های چند عاملی را پیشنهاد می کند.

This book addresses the challenges of data abstraction generation using a least number of database scans, compressing data through novel lossy and non-lossy schemes, and carrying out clustering and classification directly in the compressed domain. Schemes are presented which are shown to be efficient both in terms of space and time, while simultaneously providing the same or better classification accuracy. Features: describes a non-lossy compression scheme based on run-length encoding of patterns with binary valued features; proposes a lossy compression scheme that recognizes a pattern as a sequence of features and identifying subsequences; examines whether the identification of prototypes and features can be achieved simultaneously through lossy compression and efficient clustering; discusses ways to make use of domain knowledge in generating abstraction; reviews optimal prototype selection using genetic algorithms; suggests possible ways of dealing with big data problems using multiagent systems.