Data Analysis and Pattern Recognition in Multiple Databases

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.