Domain Driven Data Mining

در اقتصاد پر رونق جهانی کنونی، نیاز به تجزیه و تحلیل داده‌های پیچیده برای بهبود سیستم‌های تولید، تاکتیک‌های تصمیم‌گیری و عملکرد سازمان ایجاد شده است. به نوبه خود، داده کاوی به عنوان یکی از فعال ترین حوزه ها در فناوری اطلاعات ظاهر شده است. داده کاوی مبتنی بر دامنه نتایج پیشرفته تحقیق و توسعه را در مورد روش‌شناسی، تکنیک‌ها، رویکردها و برنامه‌های کاربردی موفق در کشف دانش عملی و مبتنی بر دامنه ارائه می‌دهد.

درباره این کتاب:

• قابلیت عمل و استقرار گسترده‌تر داده‌کاوی داده‌محور موجود را از طریق ترکیبی از عوامل، محدودیت‌ها و هوشمندی حوزه و کسب‌وکار افزایش می‌دهد. .

• چالش‌های دنیای واقعی و پیچیدگی‌های روش‌ها و تکنیک‌های فعلی KDD را بررسی می‌کند.
• جزئیات یک تغییر پارادایم از \"الگو کاوی داده محور\" به \"کشف دانش عملی مبتنی بر دامنه\" برای تحقیقات و برنامه های کاربردی KDD نسل بعدی.
• شکاف بین انتظارات تجاری و خروجی تحقیقات را از طریق کاوش دقیق یافته‌ها، افکار و درس‌های آموخته‌شده در اجرای چندین برنامه کاربردی کسب‌وکار داده‌کاوی در مقیاس بزرگ و در دنیای واقعی پر می‌کند
• شامل تکنیک‌ها، روش‌شناسی‌ها و مطالعات موردی در داده‌کاوی سازمانی واقعی است
• به حوزه‌های جدیدی مانند استخراج وبلاگ

داده کاوی مبتنی بر دامنه برای محققان، شاغلین و دانشجویان دانشگاه در زمینه های داده کاوی و کشف دانش، مهندسی دانش، تعامل انسان و کامپیوتر، مصنوعی مناسب است. هوشمندی، پردازش اطلاعات هوشمند، سیستم‌های پشتیبانی تصمیم، مدیریت دانش، و مدیریت پروژه KDD.

In the present thriving global economy a need has evolved for complex data analysis to enhance an organization’s production systems, decision-making tactics, and performance. In turn, data mining has emerged as one of the most active areas in information technologies. Domain Driven Data Mining offers state-of the-art research and development outcomes on methodologies, techniques, approaches and successful applications in domain driven, actionable knowledge discovery.

About this book:

• Enhances the actionability and wider deployment of existing data-centered data mining through a combination of domain and business oriented factors, constraints and intelligence.

• Examines real-world challenges to and complexities of the current KDD methodologies and techniques.
• Details a paradigm shift from "data-centered pattern mining" to "domain driven actionable knowledge discovery" for next-generation KDD research and applications.
• Bridges the gap between business expectations and research output through detailed exploration of the findings, thoughts and lessons learned in conducting several large-scale, real-world data mining business applications
• Includes techniques, methodologies and case studies in real-life enterprise data mining
• Addresses new areas such as blog mining

Domain Driven Data Mining is suitable for 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.