Data preprocessing in data mining

پیش پردازش داده برای داده کاوی به یکی از مهم ترین مسائل در فرآیند شناخته شده کشف دانش از داده می پردازد. داده‌هایی که مستقیماً از منبع گرفته می‌شوند احتمالاً دارای تناقضات، خطاها یا مهم‌تر از همه این‌که برای فرآیند داده کاوی آماده نیستند. علاوه بر این، افزایش حجم داده ها در کاربردهای علمی، صنعتی و تجاری اخیر، نیاز به ابزارهای پیچیده تری را برای تجزیه و تحلیل آن می طلبد. به لطف پیش پردازش داده ها، تبدیل غیرممکن ها به ممکن، با تطبیق داده ها برای برآوردن نیازهای ورودی هر الگوریتم داده کاوی امکان پذیر است. پیش پردازش داده شامل تکنیک های کاهش داده است که هدف آن کاهش پیچیدگی داده ها، شناسایی یا حذف عناصر نامربوط و پر سر و صدا از داده ها است.

این کتاب برای بررسی وظایفی است که شکاف بین داده ها را پر می کند. اکتساب داده از منبع و فرآیند داده کاوی. نگاهی جامع از نقطه نظر عملی، شامل مفاهیم اساسی و بررسی تکنیک های پیشنهادی در ادبیات تخصصی، ارائه شده است. هر فصل یک راهنمای مستقل برای یک موضوع پیش پردازش داده خاص، از مفاهیم اولیه و توضیحات مفصل الگوریتم های کلاسیک است. ، به هجوم فهرست جامعی از تحولات اخیر. توضیحات فنی عمیق این کتاب را برای متخصصان فنی، محققان، دانشجویان ارشد و کارشناسی ارشد در علوم داده، علوم کامپیوتر و مهندسی مناسب می‌کند.

Data Preprocessing for Data Mining addresses one of the most important issues within the well-known Knowledge Discovery from Data process. Data directly taken from the source will likely have inconsistencies, errors or most importantly, it is not ready to be considered for a data mining process. Furthermore, the increasing amount of data in recent science, industry and business applications, calls to the requirement of more complex tools to analyze it. Thanks to data preprocessing, it is possible to convert the impossible into possible, adapting the data to fulfill the input demands of each data mining algorithm. Data preprocessing includes the data reduction techniques, which aim at reducing the complexity of the data, detecting or removing irrelevant and noisy elements from the data.

This book is intended to review the tasks that fill the gap between the data acquisition from the source and the data mining process. A comprehensive look from a practical point of view, including basic concepts and surveying the techniques proposed in the specialized literature, is given.Each chapter is a stand-alone guide to a particular data preprocessing topic, from basic concepts and detailed descriptions of classical algorithms, to an incursion of an exhaustive catalog of recent developments. The in-depth technical descriptions make this book suitable for technical professionals, researchers, senior undergraduate and graduate students in data science, computer science and engineering.