Data Mining for Business Applications

داده کاوی برای برنامه های کاربردی تجاری پیشرفته ترین تحقیق و توسعه داده کاوی را در رابطه با روش ها، تکنیک ها، رویکردها و برنامه های کاربردی موفق ارائه می دهد. مشارکت‌های این کتاب نشان‌دهنده تغییر پارادایم از «کاوی الگوی داده‌محور» به «کشف دانش عملی مبتنی بر دامنه (AKD)» برای تحقیقات و برنامه‌های کاربردی KDD نسل بعدی است. محتویات نشان می‌دهد که چگونه تکنیک‌های KDD می‌توانند در عمل بهتر به مشکلات حوزه حیاتی کمک کنند و هوش تجاری را در برنامه‌های پیچیده سازمانی تقویت کنند. این جلد همچنین چالش‌ها و جهت‌گیری‌ها را برای تحقیق و توسعه داده‌کاوی آینده در گفتگو بین دانشگاه و تجارت بررسی می‌کند.

بخش اول بر روی توسعه روش‌های کاربردی AKD متمرکز است، از جمله:

• داده کاوی مبتنی بر دامنه
• قوانین پس از پردازش برای اقدامات
• تجزیه و تحلیل مشتری مبتنی بر دامنه
• نقش هوش انسانی در AKD
• حداکثر خوشه مبتنی بر الگو
• کاوی هستی شناسی
  

• داده‌های امنیت اجتماعی
• داده های امنیت جامعه
• توالی های ژن
• اطلاعات سلامت روان
• اطلاعات طب سنتی چینی
• اطلاعات مربوط به سرطان
• داده های وبلاگ
• اطلاعات احساسات
• داده های وب
• روش های
• جابجایی شی مسیرها
• نقشه کاربری اراضی
• داده های آموزش عالی

</ P>

• برنامه ریزی پرواز
• مدیریت دارایی الگوریتمی

محققان، دست اندرکاران و دانشجویان دانشگاه در زمینه های داده کاوی و کشف دانش، مهندسی دانش، تعامل انسان و کامپیوتر، هوش مصنوعی، پردازش اطلاعات هوشمند، سیستم های پشتیبانی تصمیم، مدیریت دانش و پروژه KDD مدیریت مطمئناً این را وسیله ای کاربردی و مؤثر برای افزایش درک و استفاده از داده کاوی در پروژه های خود خواهد یافت.

Data Mining for Business Applications presents state-of-the-art data mining research and development related to methodologies, techniques, approaches and successful applications. The contributions of this book mark a paradigm shift from "data-centered pattern mining" to "domain-driven actionable knowledge discovery (AKD)" for next-generation KDD research and applications. The contents identify how KDD techniques can better contribute to critical domain problems in practice, and strengthen business intelligence in complex enterprise applications. The volume also explores challenges and directions for future data mining research and development in the dialogue between academia and business.

Part I centers on developing workable AKD methodologies, including:

• domain-driven data mining
• post-processing rules for actions
• domain-driven customer analytics
• the role of human intelligence in AKD
• maximal pattern-based cluster
• ontology mining
  

Part II focuses on novel KDD domains and the corresponding techniques, exploring the mining of emergent areas and domains such as:

• social security data
• community security data
• gene sequences
• mental health information
• traditional Chinese medicine data
• cancer related data
• blog data
• sentiment information
• web data
• procedures
• moving object trajectories
• land use mapping
• higher education data
• flight scheduling
• algorithmic asset management

Researchers, practitioners and university students in the areas of data mining and knowledge discovery, knowledge engineering, human-computer interaction, artificial intelligence, intelligent information processing, decision support systems, knowledge management, and KDD project management are sure to find this a practical and effective means of enhancing their understanding of and using data mining in their own projects.