دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Animesh Adhikari, Jhimli Adhikari, Witold Pedrycz (auth.) سری: Intelligent Systems Reference Library 61 ISBN (شابک) : 9783319034096, 9783319034102 ناشر: Springer International Publishing سال نشر: 2014 تعداد صفحات: 247 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل داده ها و تشخیص الگو در پایگاه داده های چندگانه: هوش محاسباتی، تشخیص الگو، داده کاوی و کشف دانش
در صورت تبدیل فایل کتاب Data Analysis and Pattern Recognition in Multiple Databases 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 تجزیه و تحلیل داده ها و تشخیص الگو در پایگاه داده های چندگانه 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.
تشخیص الگو در داده ها یک مشکل کلاسیک شناخته شده است که در محدوده تجزیه و تحلیل داده ها قرار می گیرد. از آنجایی که ما نیاز به مدیریت داده های مختلف داریم، ماهیت الگوها، تشخیص آنها و انواع تجزیه و تحلیل داده ها تغییر می کند. از آنجایی که تعداد کانال های جمع آوری داده در زمان اخیر افزایش یافته و متنوع تر شده است، بسیاری از وظایف داده کاوی در دنیای واقعی می توانند به راحتی چندین پایگاه داده را از منابع مختلف بدست آورند. در این موارد، داده کاوی به چند دلیل اساسی چالش برانگیزتر می شود. ممکن است با دادههای حساسی مواجه شویم که از منابع مختلف سرچشمه میگیرند - آنها را نمیتوان ادغام کرد. حتی اگر به ما اجازه داده شود که دادههای مختلف را در کنار هم قرار دهیم، مطمئناً نمیتوانیم آنها را زمانی که هویتهای محلی الگوها حفظ شود، تجزیه و تحلیل کنیم. بنابراین، تشخیص الگو در پایگاههای اطلاعاتی متعدد، مجموعهای از مشکلات جدید و چالش برانگیز را ایجاد میکند که متفاوت از مواردی است که قبلاً با آن مواجه شده بودیم. استخراج قوانین انجمن، کشف الگوی جهانی و الگوهای استخراج از آیتمهای منتخب، تکنیکهای کشف الگوهای مختلف را در منابع دادههای متعدد ارائه میکنند. برخی از تجزیه و تحلیل داده های جالب مبتنی بر آیتم نیز در این کتاب پوشش داده شده است. الگوهای جالبی مانند الگوهای استثنایی، کوه های یخ و الگوهای دوره ای اخیرا گزارش شده است. این کتاب یک تجزیه و تحلیل تأثیر کامل بین موارد در پایگاههای داده با مهر زمان ارائه میکند. تحقیقات اخیر در زمینه استخراج چندین پایگاه داده مرتبط پوشش داده شده است در حالی که برخی از مشارکت های قبلی در این منطقه برجسته شده و با جدیدترین پیشرفت ها در تضاد است.
Pattern recognition in data is a well known classical problem that falls under the ambit of data analysis. As we need to handle different data, the nature of patterns, their recognition and the types of data analyses are bound to change. Since the number of data collection channels increases in the recent time and becomes more diversified, many real-world data mining tasks can easily acquire multiple databases from various sources. In these cases, data mining becomes more challenging for several essential reasons. We may encounter sensitive data originating from different sources - those cannot be amalgamated. Even if we are allowed to place different data together, we are certainly not able to analyze them when local identities of patterns are required to be retained. Thus, pattern recognition in multiple databases gives rise to a suite of new, challenging problems different from those encountered before. Association rule mining, global pattern discovery and mining patterns of select items provide different patterns discovery techniques in multiple data sources. Some interesting item-based data analyses are also covered in this book. Interesting patterns, such as exceptional patterns, icebergs and periodic patterns have been recently reported. The book presents a thorough influence analysis between items in time-stamped databases. The recent research on mining multiple related databases is covered while some previous contributions to the area are highlighted and contrasted with the most recent developments.
Front Matter....Pages i-xv
Introduction....Pages 1-19
Synthesizing Different Extreme Association Rules from Multiple Databases....Pages 21-42
Clustering Items in Time-Stamped Databases Induced by Stability....Pages 43-60
Synthesizing Global Patterns in Multiple Large Data Sources....Pages 61-74
Clustering Local Frequency Items in Multiple Data Sources....Pages 75-108
Mining Patterns of Select Items in Different Data Sources....Pages 109-129
Synthesizing Global Exceptional Patterns in Different Data Sources....Pages 131-155
Mining Icebergs in Different Time-Stamped Data Sources....Pages 157-181
Mining Calendar-Based Periodic Patterns in Time-Stamped Data....Pages 183-208
Measuring Influence of an Item in Time-Stamped Databases....Pages 209-229
Summary and Conclusions....Pages 231-236
Back Matter....Pages 237-238